卡尔曼和粒子滤波.pptVIP

应该与已知值正交，故有 将式（18）代入（19），并利用新息过程的正交性，得到 由此可以求出权矩阵的表达式： 五，卡尔曼滤波 将式（20）代入式（18），状态向量的一步预测的最小均方估计可表示为 注意到 并利用状态方程(1)，易知下式对k=0，1，…，n成立： 五，卡尔曼滤波 将式（22）代入式（21）右边第一项（求和项），可将其化简为： 五，卡尔曼滤波 若定义 并将式（23）和式（24）代入式（21），则得到状态向量一步预测的更新公式： 式（25）在kalman滤波算法中起着关键的作用，因为它表明，n+1时刻的状态向量的一步预测分为非自适应（即确定）部分 和自适应（即校正）部分G(n)a(n)。从这个意义上讲，G(n)称为kalman增益（矩阵）是合适的。 五，卡尔曼滤波 （2）、 kalman增益的计算 为了完成kalman自适应滤波算法，需要进一步推导kalman增益的实际计算公式。由定义式（24）知，只需要推导期望项 的具体计算公式即可。 将新息过程的计算公式（13）代入式（22），不难得出： 这里使用了状态向量与观测噪声不相关的事实。进一步地，由正交原理引理知，在最小均方误差准则下求得的一步预测估 与预测误差e(n,n-1)彼此正交，即 五，卡尔曼滤波 因此，由式(26)及式(27)易得： 将式(27)代入式(24)，便得到kalman增益的计算公式如下： 式中R(n)是信息过程的相关矩阵，由式(10)定义。 五，卡尔曼滤波 若定义 是利用已知的y(1),…,y(n)求得的状态向量的滤波估计，则 定义滤波状态向量的误差向量，可以证明： 因此，Riccati差分方程中的矩阵P(n)事实上是滤波误差状态向量的相关矩阵。 （4）、kalman滤波算法 将上面推导得到的式(28)、(16)、(13)、(25)、(33)和(32)依次加以归纳，得到基于一步预测的kalman自适应滤波算法如下。 初始条件： 五，卡尔曼滤波 输入观测向量过程： 观测向量={y(1),…,y(n)} 已知参数： 状态转移矩阵F(n+1,n) 观测矩阵C(n) 过程噪声向量的相关矩阵Q1(n) 观测噪声向量的相关矩阵Q2(n) 计算：n=1,2,3,… 五，卡尔曼滤波 一，系统估计问题 1，系统定义 其中，h[.]是向量函数； X(t)是被估计量； V(t)是观测误差向量； Z(t)是观测量 一，系统估计问题 2，估计 在[t1,t2]区间内对被估计量X(t)进行观测， 得到观测数据Z={Z(t),t1tt2} 估计就是构造一个 一，系统估计问题 一般的，估计问题可以分为两类： a,状态估计（动态估计） b,参数估计（静态估计） 下面我们只讨论状态估计问题。 二，贝叶斯状态估计 1，系统定义 X为被估计量; p(X)为先验分布; Z1:k为X的k个观测值; p(Z1:k|X)为条件概率函数; 则根据贝叶斯公式有 二，贝叶斯状态估计 2，系统状态估计 如果令 为损失函数，并且使损失函数 期望值达到最小，也就是使贝叶斯后验风险达到 最小，则此时的估计就称为贝叶斯估计。 而对于实际系统而言，其状态很难直接获得或 不允许测量，得到的只是与状态有关的一些测量数 据，就只有根据这些数据构造或估计系统的状态， 当然，系统状态的估计应尽量接近实际状态。 三，系统的状态空间模型 设系统状态空间模型为 其中， 为系统状态， 为系统随机噪声， F为系统状态转移模型， 为系统观测， 为随机观测噪声， H为系统观测模型 三，系统的状态空间模型 我们通过观测数据Z{1:k}求得j时刻的 系统状态 的一个估计量 根据j的不同，状态估计可以分为三类 1，jk 预测 2，j=k 滤波 3，jk 平滑 四，贝叶斯滤波 2，更新方程 1，预测方程 所以滤波问题可以归结于一步预测问题 五，卡尔曼滤波 考