第六章波形估计5教材课程.pptVIP

标量卡尔曼滤波算法 按均方误差最小准则，确定加权系数a(k)和b(k)。 估计的均方误差 ak 卡尔曼增益bk bk 估计的均方误差 卡尔曼滤波的基本公式 起始条件的确定 标量卡尔曼预测 Q维向量信号的一阶自回归模型 例：高阶动态系统转化为一阶自回归模型 矢量观测模型 矢量卡尔曼滤波 之前讨论的参量估计问题中，参量都是不随时间变化的，是随机变量或未知的确定量。 线性：分析和实现都简单。 滤波：试图从观测波形中，排除噪声影响，分离出信号本身。 预测：试图估计比现时刻引前α时间的信号波形。如预测运动目标的轨迹，股市的预测等。 平滑：估计时间已过α的信号波形，如数据平滑、照片处理等。 维纳滤波：用线性滤波器对平稳随机过程做最佳线性估计。 卡尔曼滤波：用递推估计的算法解决包括非平稳随机过程在内的波形的最佳线性估计。 适用于从噪声中分离出有用信号的整个波形，因此不同于前面讲的使信噪比达到最大的匹配滤波器。 如果信号和噪声的自相关函数和互相关函数都是已知的，因此求第一个公式的极值就可以求出函数g(t)。 为求这个极值，采用变分法。 虽然是非因果的，但是仍然有比较多的应用。如对数据进行事后的处理，等等“离线”处理中。 g(u)为最佳时，方括号中的值（蓝色部分）为0。 由最后的公式可知：如果信号与噪声的功率谱在频域上重叠越少，滤波效果越好。 如果完全不重叠的话，甚至可以做到方差为0。 具有指数相关函数的平稳高斯过程，被称为高斯-马尔可夫信号。 最后的方程被称为Wiener-Hopf（维纳-霍夫）方程。 该方程是处理最佳线性滤波问题的重要工具，在不同的具体条件下求解该方程就可以得到相应的维纳滤波器的特性函数。 推导过程参见书P176页。 与上个例子不同的是，这里要求因果解。 因此滤波器输出误差与滤波器输入正交，且t时刻滤波器的误差不仅与t时刻输入正交，也与任何前一时刻的输入正交。 这是最小均方误差准则的必然结果。 维纳滤波器对随机过程每一时刻的估计，都需要利用以前的全部观测数据，每次估计都需要用全部数据重新计算一次。因此计算量和存储量都很大。 而卡尔曼滤波器采用递推的方法，每次估计时，利用前一次的估计结果和新的观测数据，算出修正量，从而给出新的估计。 维纳滤波器也要求平稳输入和噪声。 该模型被称为一阶高斯-马尔科夫过程。 一维的（也称为标量的），即单个随机信号作用下的卡尔曼滤波器 以后再推广到多维的卡尔曼滤波器。 系统参数a相当于过程的时间常数，a越大，过程变化就越慢。 该过程具有指数相关函数，因而属于马尔可夫信号。 这种过程是比较基本和典型的过程，实际中有这样的信号。 卡尔曼滤波器的另一个基本方程是线性观测方程。 最后的式子就是最佳线性递推滤波的正交条件。 波形估计Estimation of Continuous Waveforms 刘皓 引言 对随时间变化的参量进行估计，也称为时变信号估计。 实质是对随机过程的估计，即根据观测数据对随机过程的样本函数作出尽可能好的估计。 课程重点讨论线性估计问题，即估计量通过对观测波形的线性运算得到。 线性估计器 α=0，则称为滤波。 α0，则称为预测（或预测） α0，则称为平滑（或内插） 维纳滤波 线性滤波器 对平稳随机过程的最小均方误差意义下的最佳估计。 适用于从噪声中分离出有用信号的整个波形 维纳滤波 维纳滤波 g(t)的求解 变分法 非因果解 不对待求的g(t)做因果性限制，上式比较容易求解。但是g(t)是物理不可实现的。 性能 如果g(t)是最佳加权函数，那么： 例 如下图所示的高斯-马尔可夫信号和白噪声的混合 g(u) 均方误差 因果解 维纳-霍夫方程 时域解法 频域解法 维纳-霍夫方程_频域解法 维纳-霍夫方程_频域解法 维纳-霍夫方程_频域解法 例 如下图所示的高斯-马尔可夫信号和白噪声的混合 g(u) 性能 正交性 标量卡尔曼滤波器 递推算法 两个特点： 随机过程的矢量模型 递归算法 最佳的递归估计器被称为卡尔曼滤波器 标量信号模型和观测模型 s(k)=a*s(k-1)+w(k-1) 上式表征待估时变信号s(k)的状态方程，或称为信号模型。 式中s(k)是k时刻的状态，a是模型的系统参数 w(k)是零均值的白噪声序列，其均值为零，方差为 ，不同时刻的样本独立。 一阶自回归过程的模型 线性观测方程 一维线性信号和观测模型 标量卡尔曼滤波算法 表示s(k)的估计是上一个估计值与当前观测值的加权和。 系数a(k)和b(k)是时变的系数。 * * * * 之前讨论的参量估计问题中，参量都是不随时间变化的，是随机变量或未知的确定量。 线性：分析和实现都简单。 滤波：试图从观测波形中，排除噪声影响，分离出信号本身。 预测：试图估计比现时刻引前α时间的信号波形。如预测运动目标的轨迹，股