现代控制理论_东北大学_第八节_状态估计(卡尔曼滤波).pptVIP

第八章 状态估计（卡尔曼滤波） 8.1 系统的描述 8.2 最小方差估计 8.3 线性最小方差估计 8.4 最小二乘估计 8.5 投影定理 8.6 卡尔曼滤波-状态估计 其中 ； ； 为模型噪声 为观测向量 ， 为观测噪声； 为已知观测矩阵。 表示利用 对第 的估计值 当j=k时 称为滤波值；jk时 称为外推或预报 值；jk时 称为内插或平滑。 ② 的初始状态 与噪声序列 均不相关,即 对模型噪声 和观测噪声 作如下假设： ① 状态噪声和观测噪声为互不相关的白噪声 直接应用投影定理（8.5.1）和（8.5.2）推导状态 估计递推公式。 (8.6.3) 令 。利用 观测值对 进行估计 把式（8.6.1）代入到（8.6.3），并利用投影定理 及 的性质得： 由于 与 不相关(正交),且均值为0， 所以 同理可得 令 则第k时刻的最优估计为 式（8.6.1）简化为 其中 由于 由此得 式中 则 第八章 状态估计 * 8.1 系统的描述 8.2 最小方差估计 8.3 线性最小方差估计 8.4 最小二乘估计 8.5 投影定理 8.6 卡尔曼滤波-状态估计 8.1.1状态空间模型 随机状态空间模型描述： 8.1.2差分方程模型 随机差分方程模型 的误差方阵为 定义8.2.1 使误差方差阵 最小的估计 叫 最小方差估计， 是一个随机向量。 设 的概率密度为 ， 的概率密度为 ， 二者的联合概率密度为 ,则在Z=z 条件 下， 的条件概率密度为 证: 使 最小，等价于使 最小。注意到 定理8.2.1 的最小方差估计 等于 的条件 条件均值为 = + = 可知，当且仅当 时，方差 最小 阵 的联合分布 例8.2.1 设被估计量 和观测量 的最小方差估计。 如表8-1所示， 试求 表8-1 1/4 1/4 0 0 1 0 0 1/4 1/4 -1 3 2 -2 -3 x z 解 的联合分布 和观测量 例8.2.2 已知被估计量 的最小方差估计和线性最小 如表8-2所示,试求 方差估计。 2/10 1/10 1 3/10 1/10 0 2/10 1/10 -1 2 1 1 0 0 -1 z x 解: 表8-2 估计误差的方差为 ； 例8.2.3 设 ，其中 为测量噪声， ； ， 、 互相独 。试求 的最小方差估计. 立， 解: 由已知可求出 DX =P ， ， 再根据正态分布中的条件概率可知 定义8.3.2 使误差方差阵 8.3.1 称为 的线性估计，其中 为常量， 为 常阵， 为 维观测向量。 合概率密度或条件概率密度 ，在工程上 最小方差是最理想的估计，但需要知道 的 联 常常难以实现。 最小的线性估计 称为线性最小方差 估计 ，记为 令 则 于是有 ＝ ＝ 在右边加减 后配方，得 要方差 最小,必须令 ， 由此推得： 其误差方差阵 根据遍历性定理，往往可以比较容易地求得 通常容易获得。 进而求得 例8.3.1 设被估计量 和 观测量的联合分布如表 8-1，试求 的线性最小方估计 解: 根据表中数据可以求出： 解： 例8.3.2 已知 和 的联合分布如表8-2,试求 估计误差为方差 的线性最小方差估计为 小于前面最小方差估计时的误差方差 线性最小方差估计的统计性质为： (1)线性 (2)无偏性 (3)正交性 由于 所以 可以证明， 是唯一的 这说明 正交于 最小二乘估计是一种经典的估计方法。 为了估计未知量 对它进行 次量测，量测值为 其中 为已知量， 为第 次量测时的随机误差。 设所得估计值为 ，则第 次量测值与相应估计 值 之间的误差为 将此误差的平方和记为 时 取最小值的估计值 成为位质量的最小二 乘估计 ，记作 。使 取最小值的准则成为 最小二乘准则，根据最小二乘准则求估计值的 方法称为最小二乘法。 下面来求最小二乘估计 。采用向量