[PPT课件]现代信号处理-维纳和卡尔曼滤波.ppt

将(2.5.26)式后三项配对 (2.5.27) 2.5.2 卡尔曼滤波的递推算法 2.5 卡尔曼(Kalman)滤波 第二项和第三项均与Hk无关，第一项为一半正定阵，因此使Pk最小的Hk应满足 (2.5.28) (2.5.29) 2.5.2 卡尔曼滤波的递推算法 2.5 卡尔曼(Kalman)滤波 将Hopt代入Pk，得到最小均方误差阵 将(2.5.7)、 (2.5.22)、 (2.5.29)式和(2.5.30)式联立， 得到一组卡尔曼递推公式 (2.5.30) 2.5 卡尔曼(Kalman)滤波 2.5.2 卡尔曼滤波的递推算法 卡尔曼递推公式 ： (2.5.31a) (2.5.31b) (2.5.31c) (2.5.31d) 2.5 卡尔曼(Kalman)滤波 2.5.2 卡尔曼滤波的递推算法 　　假设初始条件 已知，其中x0=E［x0］, P0=var［x0］, 那么，递推流程见图2.5.2。 ^ ^ 图 2.5.2 卡尔曼滤波递推流程 2.5 卡尔曼(Kalman)滤波 2.5.2 卡尔曼滤波的递推算法 　卡尔曼滤波有一个过渡过程，而在稳态下与维纳滤波有相同的结果，是因为它们都是以最小均方误差为准则的线性估计器。 　 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 2.5 卡尔曼(Kalman)滤波  卡尔曼滤波与维纳滤波中解决最佳滤波的方法也不相同。维纳滤波是用频域及传递函数的方法，而卡尔曼滤波是用时域及状态变量的方法，在理论上是维纳滤波的推广和发展，特别是在处理多变量系统，时变线性系统及非线性系统的最佳滤波等领域，提供了一种比较有效的方法，克服了基于频域处理所遇到的困难。 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 2.5 卡尔曼(Kalman)滤波 　困难包括：维纳滤波要求平稳，而卡尔曼滤波则不要求；他容许初始时间不是负无穷大，这在很多情况下是有实际意义的；卡尔曼滤波的另一个不同点是把状态或信号过程的产生看成是白噪声激励有限维数系统的输出；此外，维纳滤波要求过程的自相关函数和互关函数的简单(先验)知识，而卡尔曼滤波则要求时域中状态变量及信号产生过程的详细知识。 　　 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 2.5 卡尔曼(Kalman)滤波 　　卡尔曼滤波在时域上采用线性递推形式对观测值进行处理，能实时地给出系统状态的最优估计，并突破了单维输入和输出的限制。卡尔曼滤波算法的这些优点使它在信号和信息系统中得到了比较广泛的应用。 2.5 卡尔曼(Kalman)滤波 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 卡尔曼滤波算法在具体应用中也存在一些实际问题，包括： 　　（1）模型误差和数值发散。 　　卡尔曼滤波算法的关键是建立系统的状态模型。但实际系统有时很难得到精确描述，往往只能用近似模型来代替； 2.5 卡尔曼(Kalman)滤波 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 卡尔曼滤波算法在具体应用中也存在一些实际问题，包括： 　　（1）模型误差和数值发散。 　　即使能够获得精确的模型，也常会因精确模型太复杂，维数过高而与实时处理必须减少计算量及尽量简化模型的要求相矛盾。近似或化简的模型与精确模型之间存在误差，模型误差必然会给滤波带来影响，严重时还会造成滤波结果不收敛。 2.5 卡尔曼(Kalman)滤波 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 （2）实时要求。 　　影响卡尔曼滤波算法的实时性主要是状态维数n和增益矩阵的计算，它们往往有很大的计算量。一般在计算中采取某些措施，例如应用定常系统新算法或在精度损失允许的情况下尽量减少维数等到措施，从而减少计算量以满足实时滤波的要求。 2.5 卡尔曼(Kalman)滤波 2.5.3 卡尔曼滤波和维纳滤波的关系及存在问题 2.4.3 一步线性预测的时域解 将(2.4.25)式和(2.4.27)式联立， 得到下面的方程组： （2.4.28） 2.4 维 纳 预 测 2.4.3 一步线性预测的时域解 将方程组写成矩阵形式 （2.4.29） 2.4 维 纳 预 测 这就是有名的Yule-Walker方程 2.4.3 一步线性预测的时域解 Yule-Walker方程具有以下特点：  (1) 除了第一个方程外，其余都是齐次方程; (2) 与维纳-霍夫方程相比，不需要知道观测数据x(n)与期望信号s(n)的互相关函数。 2.4 维 纳 预 测 2.4.3 一步线性预测的时域解 Yule-Walker方程组有p+1个方程，对应地，可以确定apk,k=