统计信号处理实验三东南大学.docVIP

标准文档 实用文案 统计信号处理 实验三  《统计信号处理》实验三 目的：掌握卡尔曼滤波滤波器的原理； 内容： 已知二维运动目标的CV运动方程为： 这里、、、是相互不相关的运动噪声和观测噪声。 试用滤波法对信号进行处理，并通过计算机模拟对其跟踪过程进行验证。 试求其Kalman滤波方程，并通过计算机模拟对其跟踪过程进行验证。 假设目标在运动过程中发生了机动（速度在某个时刻突然发生了改变），试观测此时的滤波和Kalman滤波结果，并对结果进行解释。 要求： 1)设计仿真计算的Matlab程序，给出软件清单； 2)完成实验报告，对实验结果进行描述，并给出实验结果，对实验数据进行分析。 实验过程： 、和分别为径向距离、速度和观测值，而、和分别为横向距离、速度和观测值。和是状态噪声，是目标速度的波动；和是观测噪声；四种噪声的均值都为0，呈高斯分布，互不相关。 T是雷达扫描一次的时间，此处设为1.0秒。假设目标距离雷达约500m左右，径向初速度设为150 m/s，并且在远离雷达，横向初速度设为0 m/s。这样它的径向速度波动大，而横向速度波动小，所以我们假设的方差为150m/s，的方差为m/s。鉴于雷达的观测误差，我们假设观测噪声和的方差和均为50m。 卡尔曼滤波： 我们要想完成计算，就必须知道A、C和Q、R，观测数据是必须提供的数据。A、C已经知道，现在寻找Q、R的确定值。 Q是状态噪声协方差矩阵： R是观测噪声协方差矩阵： 下一步就是确定初始值和，作为递推的初始数据。是预测误差协方差矩阵： 其中： ， 所以： 在推导上式时，和是随机过程中不同时刻的两个随机变量，我们认为这两个随机变量统计独立，而且是平稳随机过程，其不同时刻的方差相同。两个时刻的时差T为雷达扫描一圈的时间。 这样我们就有了初始值和，可以开始进行递推计算，首先计算k＝3时的状态变量。 状态预测方程： 状态预测误差 协方差矩阵： 最佳增益方程： 滤波估值方程： 滤波估值误差 协方差方程： 然后计算k＝4时的状态变量，如此递推，直到波形估计结束。 实验结果： 1）未机动的卡尔曼滤波： 从图中可以看到，滤波之后波形变得更平滑了，在观测信号尖峰的位置比较明显。 2）机动目标的卡尔曼滤波： 从图像中可以看出，当目标状态突变时， 卡尔曼滤波能较好的跟踪目标机动，即具有自适应性，并且卡尔曼滤波具有较好的自适应性。 程序： %卡尔曼滤波 clear all; C=[1 0 0 0; 0 0 1 0;]; A=[1 1 0 0; 0 1 0 0; 0 0 1 1; 0 0 0 1;]; Q=[0 0 0 0; 0 150 0 0; 0 0 0 0; 0 0 0 0.12]; R=[50 0; 0 50]; I=[1 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1;]; v1t=150; X=zeros(4,100); Y=zeros(2,100); wt=random(norm,0,sqrt(1000),1,100); u1t=random(norm,0,sqrt(150),1,100); u2t=random(norm,0,sqrt(0.12),1,100); Y(:,1)=[500+wt(1,1) wt(1,1)]; Y(:,2)=[500-v1t+wt(1,2) wt(1,2)]; X(:,2)=[Y(1,1) Y(1,2)-Y(1,1) Y(2,2) Y(2,2)-Y(2,1)]; P2=[50 50 0 0; 50 250 0 0; 0 0 50 50; 0 0 50 100.12;]; Pi=P2; for i=3:100 v1t=150+u1t(1,i); v2t=u2t(1,i); Y(:,i)=[500+v1t*(i-1)+wt(1,i) v2t*i+wt(1,i)]; x1(:,i)=A*X(:,i-1); %状态预测估值 pi=A*Pi*A+Q; %状态预测误差 协方差矩阵 Ki=pi*C*inv(C*pi*C+R); %最佳增益方程 temp1=C*x1(:,i); temp2(1,1)=Y(1,i)-temp1(1,1); temp2(2,1)=Y(2,i)-temp1(2,1); X(:,i)=x1(:,i)+Ki*temp2; %滤波估值方程 Pi=(I-Ki*C)*pi; %滤波估值误差 协方差方程 end figure(1); i=1:100; plot(i,Y(1,:),i