Kalman滤波器的设计与仿真.docVIP

PAGE I PAGE PAGE II Kalman滤波器的设计与仿真 摘要：卡尔曼滤波器（Kalman Filter，KF）是一种递归的估计，即已知上一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，它提供了一种高效可计算的方法来估计过程的状态，并使估计均方差最小。卡尔曼滤波器应用广泛且功能强大。无际卡尔曼滤波（Unscented Kalman Filter，UKF）是近期发展起来的新型非线性滤波方法，它没有非线性近似为线性化的过程，能有效减少线性化误差对系统的影响。随着机电系统对于可靠性和安全性要求的不断提高，故障检测技术发挥着越来越重要的作用，非线性滤波方法是解决非线性故障检测问题的重要技术途径之一。针对线性化对非线性系统故障检测准确率的影响，本文研究了基于UKF的故障决策方法。 本文分析了目前应用比较广泛的经典KF、UKF滤波方法，讨论了滤波算法建立的理论基础，理论上对各个滤波算法性能进行比较。最后用matlab进行了仿真处理，并分析了卡尔曼滤波器的应用。 关键词：卡尔曼滤波器； 非线性系统； 无际卡尔曼滤波器；仿真 目录 TOC \o 1-3 \h \z \u 1. 引言 1 2.几种滤波器性能分析 1 3.卡尔曼滤波器 1 3.1卡尔曼滤波器的基本思想 1 3.2 离散时间系统 2 3.3卡尔曼滤波器（KF）基本动态模型 3 3.2 新息过程 4 3.3 应用新息过程进行状态估计 4 3.4 卡尔曼增益 6 4.无际卡尔曼滤波器（UKF）的研究 7 4.1 非线性状态估计原理 7 4.2 无际变换的基本原理 8 5. Matlab仿真 9 5.1 维纳最速下降法滤波器仿真结果 9 5.2 卡尔曼滤波器仿真结果 11 5.3 一种不需初始化的卡尔曼滤波器仿真 12 5.4 后联平滑滤波的卡尔曼滤波器仿真 13 5 Matlab源代码 14 5.1经典卡尔曼滤波器 14 5.2 最速下降法 14 5.3 后联平滑滤波器的卡尔曼滤波器 15 6.Kalman滤波器的应用 17 6.1 Kalman滤波器在GPS系统中的应用 17 6.2 Kalman滤波在机器人的应用 20 结论 22 参考文献 22 致谢 23 PAGE 1 1. 引言 估计器或滤波器这一术语通常用来称呼一个系统，设计这样的系统是为了从含有噪声的数据中提取人们感兴趣的，接近规定质量的信息。由于符号间干扰和噪声的存在，信道输出端收到的信号是含有噪声的或失真的发送信号。接收机的作用是，操作接收信号并把原消息信号的一个可靠估值传递给系统输出端的某个用户。随着通信系统复杂度的提高，对原消息信号的还原成为通信系统中最为重要的环节，而噪声是接收端需要排除的最主要的干扰，人们也设计出了针对各种不同条件应用的滤波器，其中最速下降算法是一种古老的最优化技术，而卡尔曼滤波器随着应用条件的精简成为了普适性的高效滤波器。 2.几种滤波器性能分析 （1）卡尔曼滤波器（KF）性能分析 卡尔曼滤波算法有如下鲜明的特征：由此可见卡尔曼滤波器的应用范围非常广泛。求解中数据的存储量小，因此卡尔曼滤波算法便于计算机的实现。 （2） 扩展卡尔曼滤波器（EKF）性能分析 扩展卡尔曼滤波器(EKF)于20世纪60年代提出，是一种历史悠久、应用最为广泛的非线性高斯次优滤波算法，其核心思想就是以卡尔曼滤波算法做为滤波器的基本理论框架，通过对非线性函数泰勒展开式进行一阶线性化截断来达到对非线性状态后验均值和协方差的近似。 （3） 无际卡尔曼滤波器（UKF）性能分析 Unscented卡尔曼滤波(UKF)是由Julier所提出的一种新型的非线性滤波算法，由于UKF可以有效克服EKF滤波精度偏低及需要计算雅克比矩阵的局限性。 3.卡尔曼滤波器 3.1卡尔曼滤波器的基本思想 卡尔曼滤波器是用状态空间概念描述其数学公式的，另外新颖的特点是，他的解递归运算，可以不加修改地应用于平稳和非平稳环境。 图6.1 线性动态离散时间系统的信号流图表示 “状态”的概念是这种表示的基础。状态向量，简单地说状态，定义为数据的最小集合，这组数据足以唯一地描述系统的自然动态行为。典型地，比较有代表性的情况是，状态x(n)是未知的。为了估计它，我们使用一组观测数据，在途中用向量y(n)表示。y(n 在数学上，图6.1表示的信号流图隐含着一下两个方程： 过程方程 x (3.1) 式中，M×1向量v1 E 测量方程 y (3.2) 其中Cn是已知的N×M测量矩阵。N×1向量v E (3.3)