第7章卡尔曼滤波.pptVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第7章 卡尔曼滤波;本章要回答的问题是:采用迭代方法直接利用观测数据进行运算,可得到原系统状态向量的估计。 ;;; 从新息过程定义可知, 就是 在最小均方意义下的一步预测误差,根据第4章维纳滤波的正交原理(估计误差与输入信号向量正交), 与输入信号向量 正交,因此, 包含了存在于当前观测样本 中的新的信息,“新息”的含义即在于此。 ;;;再令;有 ;将上式改写成矩阵的形式,有;7.1.2 最小均方误差估计的新息过程表示;可以证明 ;容易解出权向量;于是有迭代关系;7.1.3 向量新息过程及其性质;7.1.1节中标量新息过程的性质,可推广到向量新息 过程,为: ;(3) ;7.2 系统状态方程和观测方程的概念;将其表示为向量的形式,为;系统输出方程 ;对于一个受到随机干扰的系统,系统状态方程和输出 方程可分别表示为;1 状态(过程)方程(state equation);(1) 乘积律;系统状态噪声 ;实际应用中,也可将噪声输入矩阵与状态噪声的乘积 ;1 观测(测量)方程(measurement equation) ;同样,不同时刻间的观测噪声是统计独立的;若同时刻 不同观测噪声间也是统计独立的,则矩阵 ;;利用观测量集合 ;7.3 卡尔曼滤波原理 ;按式(7.3.1)的定义,可将 时刻的状态向量估计误差记为 ;由上节所述新息过程的统计特性可知;另外,根据式(7.3.1)有: ;其中;7.3.2 新息过程的自相关矩阵;将上式代入式(7.3.8)可得;定义一步状态预测误差自相关矩阵 ;7.3.3 卡尔曼滤波增益矩阵;因此有;将上式代入(7.3.7),可得卡尔曼滤波增益为 ;7.3.4 卡尔曼滤波的黎卡蒂方程;由于 ;上式称为黎卡蒂差分方程(Riccati difference equation);至此,得到了卡尔曼滤波递推算法的所有方程。 ;(3) 计算下一时刻状态估计值和估计误差自相关矩阵 ;可得到卡尔曼增益和状态估计误差自相关矩阵另外的;7.3.5 卡尔曼滤波计算步骤;初始条件 ;步骤3 ;步骤6 ;;7.4 卡尔曼滤波的统计性能;7.4.1 卡尔曼滤波的无偏性;根据 ;由以上递推方程可知,为使估计误差的均值为零,还需 ;7.4.2 卡尔曼滤波的最小均方误差估计特性 ;为验证卡尔曼滤波是否为最小均方误差估计,将式;对新息过程自相关矩阵进行Cholesky分解,得;由矩阵理论知识可知;进一步,将式(7.4.11)和上式分别代入(7.4.8) ,可得 ;因此有 ; 当增益满足上式时,代价函数取得最小值。对 比式(7.3.21)发现,该式与通过新息过程推导出来的 卡尔曼增益矩阵是一致的,因此,卡尔曼滤波算法 是满足最小均方误差准则的。;7.6 卡尔曼滤波的应用 ;7.6.1 卡尔曼滤波在维纳滤波中的应用;此时,最优滤波误差可表示为; 此时,若将式(7.6.1)和式(7.6.2)分别作为系统 的状态方程和观测方程,就可以采用卡尔曼滤波算法求 得最优加权向量,以实现维纳滤波。 ;例7.1 设 ;解:为采用卡尔曼滤波算法,首先需要建立系统的状 态方程和观测方程。 ;系统状态方程的各参数分别为;系统观测方程的各参数分别为 ;仿真中 ;;;7.6.2 卡尔曼滤波在雷达目标跟踪中的应用;例7.2 假设被跟踪目标在二维空间中运动,它从初始;对于匀速直线运动目标,在没有任何扰动的情况下,满足 ;(7.6.4);状态向量: ;系统过程噪声: ;过程噪声和观测噪声的自相关矩阵分别为 ; 两坐标雷达中,状态向量由目标的位置和速度 分量构成,即 ;估计误差自相关矩阵按下式进行初始化;在本例中, ;;估计误差自相关矩阵按下式进行初始化;同样, ;

文档评论(0)

dalianzi + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档