卡尔曼滤波方法应用.pptVIP

卡尔曼滤波方法应用;;Rudolf Emil Kalman;Signal Processing; 数值预报产品的释用技术方法： 1、人的经验为主的定性方法﹙天气 学方法）。 2、客观定量方法（统计学方法、动 力释用方法、神经元网络）。 ; MOS方法是被广泛释用的数值产品方法，是以数值产品历史资料为基础建立MOS方程的，资料年限太短（不足一年），方程统计特性差，资料年限长（2-3年），方程统计特性好，但在积累资料及用MOS方程作预报时不能改进及更新模式。在数值预报迅速发展的今天显然是不可能???。;MOS方法示意图;解决途径如下： 1、根据新模式的统计特征，对MOS方程进行订正。 2、用新模式重新对2-3年的历史样本进行计算， 以积累数值产品历史资料。 3、只需少量的数值产品历史资料，建立能适应数 值模式变化的统计模型，这种方法越来越得到 广大气象工作者的重视，卡尔曼滤波方法就具 有这种特点。; 目前，我国数值预报发展迅速，数值模式更新快，广大台站积累足够供建立MOS方程使用的数值产品历史资料比较困难，因此，卡尔曼滤波方法在我国天气预报中有广泛的应用前景。;卡尔曼滤波方法--递推式滤波方法 突出优点: 不需要保存全部历史资料数据，可借助于前时刻的滤波结果，递推出现时刻的状态估计量，大大减少了存储量和计算量。 预报对象: 一般为具有线性变化特征的连续性变量。; 飞行 潜艇导航 导弹弹道计算 (1969年的APPOLO) 气象业务预报(1987年) (应用成功的主要是北欧国家，如芬兰、瑞士、丹麦等) 最高最低气温预报。 (1992年日本制作56个站);Application; 一、滤波的气象意义 在实际问题中，常常遇到所获得的信息混杂着其它噪音，希望排除无用的干扰而能最佳估计出有用的信息，滤波是处理这类实际问题的重要方法。 ; 预报员每天用各种方法制作天气要素预报，可以得到带有误差的预报值时间序列，造成预报误差的原因很多，我们试图订正它。根据滤波的基本思想，卡尔曼滤波可以用于处理一系列带有误差的预报值而得到它的最佳估算值，这对提高预报精度具有重要的现实意义。 ; 卡尔曼滤波方法通过利用前一时刻预报误差反馈到原来的预报方程，及时修正预报方程系数，以此提高下一时刻的预报精度，这是卡尔曼滤波方法用于天气预报的气象意义。而MOS方程一旦建立之后，在制作预报过程中，预报误差不能反馈??MOS方程中，更不能修正方程系数，这就是这两种方法的重要区别之一。 ;预测值(假设当前值仅跟上一时刻有关) 但变化中可能有噪声 观测值 读数会有误差 两种噪声相互无关 根据连续的观测值来推算实际变量值的变化;KF是根据上一状态的估计值和当前状态的观测值推出当前状态的估计值的滤波方法 S(t) = f ( S(t-1) , O(t) ) 它是用状态方程和递推方法进行估计的，因而卡尔曼滤波对信号的平稳性和时不变性不做要求 维纳滤波：使用全部观测值保证平稳性;卡尔曼滤波方法示意图; 二、卡尔曼滤波方法 递推滤波可用于解决如何利用前一时刻预报误差来及时修正预报方程系数这一问题。滤波对象假定是离散时间线性动态系统，并认为天气预报对象是具有这种特征的动态系统，可用以下两组方程来描述： ; Yt=Xtβt+еt （1） βt=βt-1+εt-1 （2） (1)式为预报方程，еt为量测噪声，是n维随机向量；Yt是n维量测变量（预报量），可用下式表示：Yt=[y1,y2, …,yn]tT，Xt是n×m维的预报因子矩阵，βt是m维回归系数。在递推滤波方法中，将βt作为状态向量，它是变化的，用状态方程(2)式来描述其变化。(2)式中εt-1是动态噪声。 ;21;动态噪声εt-1与量测噪声еt都是随机向量，并假定二者互不相关、均值为零、方差分别为W 和V 的白噪声。 ;通常用 Yt=Xtβt+еt (1) βt=βt-1+εt-1 (2) 两方程来描述离散时间的线性动态系统。具有这种特征的天气预报对象所关心的是它的状态向量的变化。根据上述对εt-1和еt的假定，运用广义最小二乘法，可以得到一组递推滤波公式，这一组公式组成了递推滤波系统。 ;1.运用t-1时刻预测t Yt = Xtβt-1 2. t-1时刻最优估计值误差方差 Ct-1 ,t时刻预测值方差 Rt Rt = Ct-1+W 3.Kalman增益 KG= Rt XtT /(Xt Rt XtT +V)= At 4. 估计t