MATLAB 对卡尔曼滤波器的仿真实现.docVIP

XXXXX 学院 《电子信息系统仿真》 课程设计 届 电子信息工程 专业 班级 题 目 卡尔曼滤波器的设计与仿真 姓 名 学号 指导教师 职称 二О1 年 月 MATLAB 对卡尔曼滤波器的仿真实现 课程设计目的：曼滤波器原理为理论基础，用MATLAB 进行卡尔 曼滤波器仿真、对比卡尔曼滤波器的预测效果，对影响滤波其效果的各方面原因进行讨论和比较，按照理论模型进行仿真编程，清晰地表述了编程过程。 关键词：数字信号处理；卡尔曼滤波器；MATLAB ；仿真过程 2. 卡尔曼滤波基本原理 卡尔曼滤波过程实际上是获取维纳解的递推运算过程。从维纳解导出的卡尔曼滤波器实际上是卡尔曼滤波过程结束后达到稳态的情况，这时Kalman Filtering 的结果与Wiener 我们总结出卡尔曼的五个核心方程： X(k|k-1=A X(k-1|k-1+B U(k ……………………… (1 P(k|k-1=A P(k-1|k-1 A?+Q ………………………… (2 X(k|k= X(k|k-1+Kg(k (Z(k-H X(k|k-1 ……… (3 Kg(k= P(k|k-1 H? / (H P(k|k-1 H? + R ……… (4 P(k|k=（I-Kg(k H）P(k|k-1 ………………………… (5 计算滤波估计的流程图如图所示： 图（1） 可以看出，滤波过程是以不断地“预测—修正”的递推方式进行计算，先进行预测值计算，再根据观测值得到的新信息和kalman 增益（加权项），对预测值进行修正。由滤波值可以得到预测，又由预测可以得到滤波，其滤波和预测相互作用，并不要求存储任何观测数据，可以进行实时处理。 3. 程序设计 卡尔曼滤波器给出了一个应用状态变量概念的公式。而且，不同于其他的递归滤波器结构，它只需要记住一步的估计结果。考虑过程噪声和测量噪声两个随机变量的状态模型称为随机状态模型。 用下面两个方程描述离散状态模型： 1）过程方程： x (k +1 = Ax (k + Bu (k + w (k 其中，w (k 是由于过程模型的不确定性而产生的模型噪声，它可能是最难量化的参数。 2）输出方程： y (k = Cx (k + v (k 其中，v (k 是测量噪声。 3）过程状态估计 状态估计分为两步，如图所示： 图（2） 一个是两个采样周期之间的状态转移阶段, 这个阶段叫做TU(Time Update 阶段：x ∧ (k | k ?1 = Ax ∧ (k ?1 + Bu (k ?1 ； 另一个是获得 y (k 的ｔ时刻过程状态更新阶段，这个阶段叫MU(Measurement Update阶段． 4）噪声过程 卡尔曼估计滤波器可以根据控制信号u (k 和测量输出( b y k ，来估计过程输出y (k 和状态变化x (k 。需要的先验知识包括噪声w (k 、v (k 的方差，以及如果不为零时它们的互相关性。 过程描述如下图： 图（3） x = Ax + b (u + w 这个式子是有两个输入u (t 和w (t 的状态空间描述，可用ss 函数来计算。 % Process state representation Process=ss (Ad, [Bd Bd], C, 0, Te, ?inputname?,{?u??w?},… ?outputname?,{?y?}; w (t 和v (t 的方差分别为Q 和R 。N 为w (t 和v (t 的互相关矩阵。卡尔曼函数根据Q 、R 、N 和过程状态描述计算卡尔曼估计滤波器。在这个例子中，模型噪声和测量噪声不相关， 即N = 0。 % noises n=100; w=0.1*randn(n,1; v=0.3*randn(n,1; Q=std(w.?2; R=std(v.?2; Wv=cov(v,w; N=wv(1,2; % kalman estimator [F_kalman,L,P,M]=kalman(process,Q,R; 模型描述+测量噪声+卡尔曼滤波器 系统结构框图 图（4） 建立包含测量噪声的一般模型的状态空间描述 % State representation process + measurement noise a=Ad; b=[Bd Bd [0;0]]; c=[C C]; d=[0 0 0;0 0 1]; process=ss (a,b,c,d,Te,?inputname?,{?u? ?w? ?v?},… ?outputname?,{?y? ?yb?} 然后把这个过程和卡尔曼滤波器联系起来，得到整个过程的状态空间 函数 parallel 用来把卡尔曼滤波器和过程联系起来。然后，函数feedback 用来创建把过程输出b y 当作卡尔曼滤波器输入的反馈环节，最后由状态