离散kalman滤波器的uml建模与实现.docxVIP

离散Kalman滤波器的UML建模与实现 UML Modeling of Discrete Kalman Filter and Its Realization LEI Wenhua (School of Science, Tibet University, Lhasa 850000, China ) Keywords： discrete Kalman filter; modeling; realization; UML 收稿日期： 201107070 引言 卡尔曼滤波作为一种数值估计优化方法， 与应用领域有很强 的结合性。 在应用卡尔曼滤波解决实际问题时， 首先利用获取的 领域知识对被认识系统进行形式化描述，建立起精确的数学模 型，再从模型出发进行滤波器的设计与实现 [1] 。卡尔曼滤波器 是以最小均方差为准则的最佳线性估计， 不但适用于标量估计的 平稳系统，还能较好地应用于多输入 / 多输出的非平稳的时变系 统[2] 。卡尔曼滤波器由于可以实时处理时变的非平稳多维随机 信号，目前已经成功的应用于雷达、机器视觉、自动定位系统和 现代控制领域。 但是由于卡尔曼滤波器的理论和计算公式比较复 杂，初学卡尔曼滤波器的人往往不能掌握卡尔曼滤波器的原理和 实质。因此本文采用统一建模语言 UMLX寸卡尔曼滤波器的原理进 行详细的阐述， 以便工程技术人员能够迅速抓住其主要矛盾， 将 其运用到工程实践中解决实际问题。 另外由于UML模型非常容易 转换为计算机编程语言实现， 读者根据本文中的离散卡尔曼滤波 器UML模型可以迅速编写出卡尔曼滤波器的程序代码。 1离散卡尔曼滤波器模型 卡尔曼滤波为线性时变系统的一种线性无偏最小均方误差 估计[3] ，能很好地过滤掉系统中存在的过程及测量噪声，并进 行估值 [4] 。卡尔曼滤波理论突破了维纳滤波的局限性，它可用 于非平稳和多变量的场合， 而且卡尔曼滤波具有递推结构， 已成 为数据处理的主要技术 [5] 。离散卡尔曼滤波是一个最优化递归 数据处理算法， 它采用递推的算法实现， 能够从一系列的不完全 及包含噪声的测量值中估计系统的当前状态。 其基本思想是先不 考虑输入信号和观测噪声的影响， 得到状态变量和输出信号的估 计值，再用输出信号的估计误差加权后校正状态变量的估计值， 使状态变量估计误差的均方值最小 [6] 。 从本质上讲， 基于状态 估计的卡尔曼滤波方法是将参数测量问题转化为状态观测和状 态估计 [7] 。因此，可以利用卡尔曼滤波方法，建立系统的线性 化标准卡尔曼滤波模型 [8] 。 卡尔曼滤波器是一种最小均方误差准则下的最佳线性滤波 器，通过求最优卡尔曼增益 K 使得后验状态均方误差 E[|x(n) －(n|n)|2 ]最小来求出对 x(n) 的最优估计 (n|n) 。在计算方法 上采用了递推形式 , 使计算量减小 , 并且使用状态空间法在时域 内设计滤波器 , 所以适用于多维随机过程的估计 [9] 。假设离散时 间系统的状态变量 x(n) 是无法观测的马尔科夫过程，根据卡尔 曼滤波算法不需要当前数据 x(n) ，当前状态 x(n) 的估计值 xA (nn)由前一时刻对当前状态的估计值 (n|n - 1)和当前时刻测 量值y(n)算出，而不需要之前的测量数据 y(n - 1), y(n - 2)… 和更早的估计值(n - 1|n — 2)…。这实际上是个迭代算法，该迭 代过程很容易通过一个循环语句实现， 这使得卡尔曼滤波器很适 合在计算机上实现。就实现形式而言 , 卡尔曼滤波器实质上是一 套由计算机实现的递推算法 [9] 。 离散卡尔曼滤波适用于对如下线性随机差分方程描述的系 统中的状态变量 x 的估计 :x(n)=A(n -1)x(n - 1)+w(n) (1) y(n)=C(n)x(n)+v(n) ( 2)式中： x(n) 是系统的状态变量； A(n -1)是其状态转移矩阵；w(n)是系统的激励噪声，设它为高 斯白噪声，协方差为 Q； y(n) 是测量值； C(n) 为状态变量 x(n) 对测量值y(n)的增益；观测噪声v(n)是协方差为R的高斯白噪 声。式( 1 )是系统的状态方程，式( 2)是系统的观测方程。离 散卡尔曼滤波器的求解包含以下 5个基本方程 [10]:(n|n - 1)=A(n-1)(n -1|n-1)(3) P(n|n-1)=A(n-1)P(n-1|n-1)#8226; AH(n- 1 )+Q(4) K(n)=P(n|n -1)CH(n)#8226; [C(n)P(n|n -1)CH(n)+R]- 1(5) (n|n)=(n|n -1)+K(n) [y(n) - C（n）（n|n －1）]（ 6） P（n|n）= [I－K（n）C（n） ]P（n|n －1） （7）式（ 3