卡尔曼滤波器-(公开课件).pptVIP

第7章 卡尔曼滤波器 7.1 卡尔曼滤波器的信号模型 7.2 卡尔曼滤波器的算法 7.3 举例 7.1 卡尔曼滤波器的信号模型 1960年，R.E.Kalman发表了采用递推的方法解决离散数据线性滤波的问题(A New Approach to Linear Filtering and Prediction Problems，Transactions of the ASME-Journal of Basic Engineering, 82 (Series D): 35-45,1960)，从此以后，随着数字计算技术的发展，Kalman滤波器得到了深入的研究和发展。 问题的描述： 卡尔曼滤波器是用来估计一个由线性随机差分方程所描述的时间离散系统的状态x: 其中x为系统的状态，A,B是由系统的结构确定的矩阵，y为观测值，C为观测矩阵，随机变量w和v代表系统噪声和观测噪声，且相互独立，一般假定w和v服从正态分布，且系统噪声和观测噪声的协方差阵分别为Q,R。 卡尔曼滤波器的任务：是从观测值y中得到系统状态x在最小均方误差意义下的最佳逼近 。 设从第一时刻到第k时刻，系统的观测值为 ，根据这k个观测数据，对第j时刻的系统状态 进行估计。 当 时，称为预测或外推； 当 时，称为内插； 当 j=k 时，称为滤波。 7.2 卡尔曼滤波器的算法 定义 为第k步对状态的先验估计， 为在得到观测值yk后对状态的后验估计。分别定义先验和后验估计误差为： 则先验估计误差的协方差为： 后验估计误差的协方差为 我们所要寻找的状态的后验估计 可以构造为先验估计 和实际测量值yk与估计测量值 之差的加权值的线性组合，即： 矩阵K为可以使后验估计协方差pk最小的增益矩阵。 该矩阵的求解：将(7.2.4)代入(7.2.1)式，然后代入(7.2.3)式计算pk，对pk关于K求导并令其为0，则可解出K。 从上式可以观察到： 当测量误差的协方差阵R减小直至趋近于零时，增益矩阵K的作用逐渐增强，特别地 当先验估计误差的协方差阵 减小直至趋近于零时，增益矩阵K的作用逐渐减弱，特别地 卡尔曼滤波器采用了一种反馈的形式来估计状态－－ 卡尔曼滤波器的方程分为两部分： 1.时间更新方程。 该方程负责获得当前时刻状态的先验估计以及为下一时刻获得误差协方差估计。即由k-1时刻的状态和协方差估计计算出k时刻的相应值。 2.测量更新方程。 测量更新方程负责反馈，将先验估计和新的测量值结合起来获得校正后的后验估计。 首先计算卡尔曼增益Kk，下一步通过实际的测量得到yk，然后通过(7.2.12)获得系统状态的后验估计。最后一步是获得后验估计误差协方差阵。 Kalman滤波器的特点 1.卡尔曼滤波器是以最小均方误差为准则的最佳线性估计和滤波。 2.卡尔曼滤波器只需要前一个状态的估计值和当前的观测值就可以估计当前状态，是一种递推的方法。 3.卡尔曼增益矩阵K的计算与观测值无关，因此可以事先计算增益矩阵，然后有一个观测值，就可以得到估计值，便于实时计算。 4.模型误差的问题、A,B,C时变、模型非线性的问题。 5.影响实时计算的障碍：状态维数n和增益矩阵的计算。 7.3 举例 问题：从一系列电压测量值中估计真实值，真实的电压值被方差为0.1v的白噪声污染。 该问题可以由如下的随机过程来描述： 为了用卡尔曼滤波器估计信号的真实值，方程如下： 仿真时，我们假定将要估计的真实值为y=-0.37727,产生均值为0，0.1为方差的50组随机数加上y作为测量值。 取 %parameter decided R=0.01;Q=1e-5; N=50;%number of iretation %produce observation a=sqrt(R)*randn(1,N); y=-0.37727+a; % mean is -0.37727 and observation var is R. %initialization P=zeros(1,N); x=zeros(1,N); P(1)=1; x(1)=0; %start cal for i=1:N-1 pp=P(i)+Q; K(i)=pp/(pp+R); x(i+1)=x(i)+K(i)*(y(i)-x(i)); P(i+1)=(1-K(i))*P(i); end %plot t=