第4章维纳滤波和卡尔曼滤波.ppt

第四章 维纳滤波和卡尔曼滤波 引言 维纳滤波器的离散形式——时域解 离散维纳滤波器的z域解 维纳预测 卡尔曼(Kalman)滤波 4.1 引 言 4.2 维纳滤波器的离散形式—时域解  一、维纳—霍夫方程 一、维纳—霍夫方程 一、维纳—霍夫方程 一、维纳—霍夫方程 FIR 维纳滤波器 2.3 离散维纳滤波器的 z 域解 二、因果IIR 维纳滤波器 因果维纳滤波器的求解方法1 2、因果维纳滤波器的求解方法2 因果维纳滤波器的求解 4.4 维 纳 预 测 二、 纯预测 三、一步线性预测的时域解 4.5 卡尔曼(Kalman)滤波 一、卡尔曼滤波的状态方程和量测方程 二、标量新息过程及其性质 三 卡尔曼滤波的递推算法 三、 应用举例 (4.5.8) (4.5.9) (4.5.10) 卡尔曼滤波要求状态变量的估计误差的均方值Pk为最小，因此卡尔曼滤波的关键就是要得到Pk与Hk的关系式，即通过选择合适的Hk,使Pk取得最小值。 首先推导状态变量的估计值 和状态变量的估计误差 ，然后计算 的均方值Pk ，并通过化简Pk，得到一组卡尔曼滤波的递推公式。 将（4.5.3）、 (4.5.5)式代入（4.5.7）式 (4.5.11) 同理，状态变量的估计误差 为 (4.5.12) 由上式可以看出，状态变量的估计误差 由三部分组成， 可记为 其中 (4.5.13b) (4.5.13c) (4.5.13d) 那么，状态变量的估计误差的均方值Pk就由9项组成: (4.5.14a) 其中 (4.5.14b) (4.5.14d) (4.5.14c) 下面化简Pk的表达式，根据假设的条件，状态变量的增益矩阵A不随时间发生变化，起始时刻为k0，则（4.5.2）式经过迭代，得到 令l=k-k0-j，得到 令 单位圆内只有极点zi=0.5， 未经滤波器的均方误差 (2) 对于非物理可实现情况，有 令 单位圆内有两个极点0.8和0.5，应用留数定理，有 比较两种情况下的最小均方误差,可以看出非物理可实现情况的最小均方误差小于物理可实现情况的均方误差。 一、 维纳预测的计算 在维纳滤波中，期望的输出信号 yd(n)=s(n)，实际的输出为y(n)=s(n)。在维纳预测中，期望的输出信号yd(n)=s(n+N)，实际的输出y(n)=s(n+N)。前面已经推导得到维纳滤波的最佳解为 ^ ^ 其中,Sxx(z)是观测数据的功率谱;Sxyd(z)是观测数据与期望信号的互功率谱，即互相关函数rxyd(k)的傅里叶变换 对应于维纳预测器，其输出信号y(n)和预测误差信号e(n+N)分别为 同理，要使预测误差的均方值为最小，须满足 其中，hk表示h(k)。 观测数据与期望的输出的互相关函数rxyd(k)和互谱密度Sxyd(z)分别为 这样，非因果维纳预测器的最佳解为 因果维纳预测器的最佳解为 维纳预测的最小均方误差为 从上面分析可以看出， 维纳预测的求解和维纳滤波器的求解方法是一致的。  假设x(n)=s(n)+v(n)，式中v(n)是噪声，且v(n)=0，期望信号为s(n+N)，N＞0，此种情况称为纯预测。 假定维纳预测器是因果的，仍设s(n)与v(n)不相关，纯预测情况下的输入信号的功率谱及维纳预测器的最佳解分别为 纯预测器的最小均方误差为 应用复卷积定理 取y(n)=x(n) 并考虑到b(n)是因果系统，得到 可以看到，随着N增加，E［|e(n+N)|2］min也增加。这一点也容易理解，当预测的距离越远，预测的效果越差，偏差越大，因而E［|e(n+N)|2］min越大。 例 已知 其中-1＜a＜1， 求: (1) 最小均方误差下的s(n+N)；  (2) E［|e(n+N)|2］min。 ^ 解 首先对Sxx(z)进行功率谱分解。因为 所以 其次，求出B(z)的Z反变换 然后，应用Z变换的性质，得到 图 4.4.1 纯预测维纳滤波器 由Hopt(z)=aN，此时可以把纯预测的维纳滤波器看作是一个线性比例放大器（如图4.4.1所示）。根据x(n)的信号模型 可以写出x(n)的时间序列模型所对应的输入输出方程 x(n)=ω(n)+ax(n-1) 将信号x(n)通过纯预测维纳滤波器，随着时间的递增，可以得到 当N=1时，x(n+1)=ax(n)=as(n) 当N=2时，x(n+2)=ax(n+1)=a2s(n)  当N=N时，x(n+N)=ax(N+n-1)=aNs(n) … 以上推导结果相当于在n+N时刻，ω(