卡尔曼滤波ppt教学精编.pptVIP

第六章卡尔曼滤波 (The Kalman filtering  第一节卡尔曼滤波信号模型 第二节卡尔曼滤波方法 第三节卡尔曼滤波的应用  6.1信号模型 6.1.1状态方程和量测方程 维纳滤波的模型:信号s(nJ可以认为是 由白噪声w(m)激励一个线性系统A(x)的 响应,假设响应和激励的时域关系可以 用下式表示: ()=a(n-1)+w(n-1)(6-52) 上式也就是一阶AR模型  在卡尔曼滤波中信号s(n)被称为是状态 变量,用矢量的形式表示为S(k,激励 信号w(n)也用矢量表示为w,(k)激励和 响应之间的关系用传递矩阵A(k来表示, 得出状态方程 s(k)A(k)s(k1)+w1(k-1)(6-53) 上式表示的含义就是在k时刻的状态S(k) 可以由它的前一个时刻的状态S(k-1)来 求得,即认为k-1时刻以前的各状态都 已记忆在状态S(k-1)中了  卡尔曼滤波是根据系统的量测数据(即 观测数据)对系统的运动进行估计的, 所以除了状态方程之外,还需要量测方 程 在卡尔曼滤波中,用表示量测到的信号 矢量序列,表示量测时引入的误差矢量 则量测矢量与状态矢量之间的关系可以 写成 X(k)=S(k)w(k)(6-54)  X(K)=S(KHw(k) 上式和维纳滤波的概念上是一致的,也 就是说卡尔曼滤波的一维信号模型和维 纳滤波的信号模型是一致的。 把式(655)推广就得到更普遍的多维量测 方程 X(k)=C(k)S(k+w(k)(6-55) 上式中的称为量测矩阵,它的引入原因 是,量测矢量的维数不一定与状态矢量 的维数相同,因为我们不一定能观测到 所有需要的状态参数。  6.1.2信号模型 根据状态方程S(k)=A(k)S(k1)+w1(k-1) 和量测方程X(k)=C(k)S(k+w(k),卡 尔曼滤波的信号模型,如图6.12所示。 w1(k)S(k+1 S(k) C(k X(k) A(k+1 图6.12卡尔曼滤波的信号模型  【例6-1】设卡尔曼滤波中量测方程为 Xk)=S(k)w(k),已知信号的自相关函 数的z变换为R2(x) 0.36 .8z1.25 (1-0.8x-)(1-0.87) 噪声的自相关函数为R(m)=(m),信 号和噪声统计独立。求卡尔曼滤波信号 模型中的A(k和C(k  解:根据等式R(x)=a2A(x)A(z 0.36x-7 可以求得 (1-0.87)(1-0.87) S(z) 1-0.81W1(x) 变换到时域得:s(k+1)=0.8(k)+w(k) 因此A(k)=0.8 又因为X(k)=S(k)w(k) 所以C(k=1  6.2卡尔曼滤波方法 (The method of Kalman filtering) 6.2.1卡尔曼滤波的一步递推法模型 把状态方程和量测方程重新给出 S(k)A(k)S(k-1)+w1(k-1)(6-56) X(k)=C(k)S(kw(k)(6-57) 假设信号的上一个估计值S(k-1已知, 现在的问题就是如何来求当前时刻的 估计值S(k)