随机信号28891.pptVIP

扩展卡尔曼滤波和粒子滤波算法比较 班孝坤倪晴燕许成 严格说来,所有的系统都是非线性的,其中许多还是强非线性的。因此,非线性系统估计问题广泛存在于飞行器导航、目标跟踪及工业控制等领域中,具有重要的理论意义和广阔的应用前景。 系统的非线性往往成为困扰得到最优估计的重要因素，为此，人们提出了大量次优的近似估计方法。包括EKF,基于UT变换的卡尔曼滤波（UKF），粒子滤波，等等。 引言 目录 非线性模型 EKF 粒子滤波 仿真 参考文献 非线性模型 设非线性状态空间模型为： 式中， 和 分别表示在t时刻系统的状态和观测， 和 分别表示过程噪声和观测噪声， 和 表示非线性函数。 前提：状态服从一阶马尔科夫过程，且观测值在给定状态下是相互独立的 EKF的原理 扩展卡尔曼滤波(Extended kalman filter,以下简称EKF)是传统非线性估计的代表,其基本思想是围绕状态估值对非线性模型进行一阶Taylor展开,然后应用线性系统Kalman滤波公式。也就是对式（1）和（2）中的 非线性函数f和h进行线性化处理，即计算f和h的雅克比矩阵，然后再在标准卡尔曼滤波框架下进行递归滤波。 和 均为零均值的高斯白噪声。 EKF的算法 状态预测 方差预测 增益系数 状态测量更新 方差测量更新 其中是 线性测量矩阵。 EKF存在的问题 EKF的滤波结果有可能接近真实值的前提是系统的状态方程和观测方程都接近线性且连续。 发散的原因 状态噪声和观测噪声的协方差估计地不够准确。 初始状态和初始协方差误差较大。 粒子滤波的原理 粒子滤波利用一系列带权值的空间随机采样粒子来逼近PDF，是一种基于蒙特卡洛的贝叶斯估计方法。 优点：独立于系统的模型，不受线性化误差或高斯噪声假定的限制，可以解决EKF带来的误差。 算法 预估阶段 根据先验分布 采集样本 。 归一化权重： 从重要性分布 中采集样本 ，并计算归一化权值 ： 再采样 去除低权值的粒子，复制高权值的粒子。 输出PDF 仿真实例 初始状态： x=0.1， Q=1,R=1 预测次数为50次。 状态方程： 预测方程： 仿真结果 从上面的结果可以看出，在同样的实验条件下，粒子滤波要比EKF的效果好。