第二讲近似高斯滤波.docVIP

张永安 非线性 /非高斯滤波讲义 第二讲 近似高斯滤波 2.1 泰勒线性化和推广卡尔曼滤波 给定随机系统的动态滤波问题，系统包括两个过程： 状态过程（信号过程） ：具有初始分布 x0 ~ p(x0 ) ,转移核为 p(xk | xk - 1 ) 的马尔科夫过程； (2) 观测过程：观测量 zk 与状态量 xk 有概率关联 p (zk | xk )。 若系统具有 设系统 S ∈ΣSSM 具有线性、高斯性，亦即 S 具有以下性质： (A1) S 可以写成线性状态空间模型形式： ?xk = Ak xk- 1 + wk ΣLSSM :? ?zk = Ck xk + vk (A2) wk 和 vk 服从高斯分布，即 S ∈ΣGSSM ； (A3) 状态初始分布为高斯分布： ? , P0 ) x0 ~ N ( x0 ; x0 以上 (A2) 与(A3) 合称高斯假设，三个假设合起来线性高斯假设，具有线性高斯假设的模型称 为线性高斯模型，其全体记为 ΣLGSSM 。则可以证明，若 p( xk - 1 | z1:k- 1 ) 服从高斯分布： ? p( xk- 1 | z1:k- 1 ) ~ N (xk- 1; xk- 1|k - 1 , Pk- 1|k- 1 ) p( xk | z1:k- 1 ) 和 p( xk | z1:k ) 也是高斯的， p( xk | z1:k - 1 ) ~ N ? , Pk| k- 1 ) ( xk ; xk|k- 1 p( xk | z1:k ) ~ N ? ( xk ; xk|k , Pk|k ) 且这三个高斯分布的参数 （状态的均值和协方差阵） 满足卡尔曼滤波递推公式， 类似于贝叶 斯递推滤波公式，卡尔曼滤波分两部分： 一步预测和测量修正。其算法如下： 算法 2.1 (卡尔曼滤波 ): 给定 x0|0 , P0|0 递推计算：其中 k = 0,1, 一步预测： x?k|k- 1 = Ak x?k - 1|k- 1 + qk Pk|k- 1 = Ak Pk - 1|k- 1 AkT + Qk 测量修正： 张永安 第二讲 非线性 /非高斯滤波讲义 T T - 1 Kk = Pk|k- 1Ck (Ck Pk|k - 1Ck + Rk ) Pk|k = ( I - K k Ck ) Pk|k- 1 ( I - K kCk )T + K k Rk K kT 由于状态的条件分布完全由其均值和协方差阵完全表征，因此卡尔曼滤波是递推贝叶斯最优滤波的显式解，在给定的线性高斯假设条件下与贝叶斯最优滤波完全等价。 若系统是非线性的，且具有加性高斯输入噪声，即 S∈Σ ，则由第一讲可知，系统 GSSM S 可表示为 ?xk = fk ( xk - 1 ) + wk ? ?zk = gk ( xk ) + vk 其中 f k : ? n x ×? n w → ? n x ， gk : ? nx ×? n v → ? n z ， vk 与 wk 分为独立同分布 (i.i.d) 白噪 声输入，且相互独立，它们具有高斯分布，且均值和协方差阵 Evk = rk ， Ewk = qk ， E {[vk - rk ][vk - rk ]T }= Rk ， E {[wk - qk ][wk - qk ]T }= Qk S ∈ΣASSM 可以写为如下形式： ? p( xk | xk- 1 ) = N [ xk ; fk (xk- 1) + qk ,Qk ] Σ : ? GSSM ? p( zk | xk ) = N [ zk ; gk (xk ) + rk , Rk ] 人们通过各种非线性近似，来获得近似解。最基本的近似方法是泰勒近似法，其思路是：当 状态的先验分布可以用高斯分布近似时， 状态的条件分布完全由其均值和协方差阵表征， 若在状态的滤波值和预测值周围分别将状态方程和测量方程展开泰勒级数： ? ? ? xk = f k ( xk - 1|k- 1 ) + Ak ( xk- 1 - xk- 1|k- 1 ) + 1 ( xk - 1 - xk- 1|k - 1 ) + wk ? ? ? zk = gk (xk|k - 1 ) + Ck (xk - xk|k - 1 ) + 2 ( xk - xk| k- 1) + vk 这里 ( ? ) 和 ? 为二阶以上被截去掉的高阶项， 1 xk - 1 2 ( xk - xk|k - 1 ) - xk - 1|k- 1 A = ?f k ( xk - 1 ) ? ， C k = ?gk ( xk ) ? ?xk ?xk- 1 为线性化的雅可比阵，则可得 S ∈ΣGSSM 的局部线性化系统 - 2 - 张永安 第二讲 非线性