第7章_卡尔曼滤波.ppt

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。 ;; 性质(1)和(2)可由维纳滤波的正交原理证明得到，下面对性质(3)进行推导 ： ;*;;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;将标量新息过程的性质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 ;2 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;;;7.3 卡尔曼滤波原理 ;时刻的状态向量估计误差记为 ;由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;;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;;7.3.4 卡尔曼滤波的黎卡蒂方程;由于 ;另外 ;;(3) 计算下一时刻状态估计值和估计误差自相关矩阵 ;卡尔曼增益和状态估计误差自相关矩阵另外的表达形式;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 ;;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。;卡尔曼滤波在雷达目标跟踪中的应用;例 假设被跟踪目标在二维空间中运动，它从初始位置;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 ;状态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， ;;;;; 卡尔曼滤波在数据融合中的应用 ;; 集中式融合系统，融合单元可以利用所有传感器的 观测信息进行状态估计。假设目标运动规律可由卡尔曼 滤波状态方程描述，且第 个传感器的观测方程为 ;; 图7.6.9所示的分布式融合系统中，各个传感器首 先要进行局部滤波（与融合单元的滤波相比，各分布 传感器的滤波称为局部滤波），并将当前的状态估计 结果送至融合单元，融合单元对各传感器提供的局部 估计进行融合给出最终的全局估计。局部滤波实质为 分布传感器的卡尔曼滤波过程，而融合单元输出的全 局估计是局部估计的线性组合，可见，融合单元在此 的作用与其在集中式融合系统中的不同，它不进行卡 尔曼滤波而仅实现局部估计的优化组合。;首先，考虑仅有两个传感器的情况。假设 ;;利用数学归纳法，可以将上面的结果推广到 ;例7.4 考虑采用由两部雷达构成的分布式融合系统，;解：根据已知条件，建立系统状态方程如式(7.6.7)， ; 利用前两个时刻的观测值，根据7.6.2节中介绍的 初始化方法设定状态估计及估计误差自相关矩阵的初 始值。在获得 ;图7.6.10(a) 方向的位置估计方差 ;图7.6.10(a) 方向的速度估计方差