卡尔曼和粒子滤波.pptVIP

一，系统估计问题;一，系统估计问题;一，系统估计问题;二，贝叶斯状态估计;二，贝叶斯状态估计;三，系统的状态空间模型;三，系统的状态空间模型;四，贝叶斯滤波;五，卡尔曼滤波;五，卡尔曼滤波;五，卡尔曼滤波;还假设状态的初始值x(0)与v1(n)、v2(n)，n0均不相关，并且噪声向量v1(n)与v2(n)也不相关，既有：;2，新息过程

考虑一步预测问题，给定观测值y(1),...，y(n-1)，求观测向量y(n)的最小二乘估计，记作

〔1〕、新息过程的性质

y(n)的新息过程定义为：

式中，N1向量表示观测数据y(n)的新的信息，简称新息。;新息具有以下性质：

性质1n时刻的新息与所有过去的观测数据y(1),...，y(n-1)正交，即：

性质2新息过程由彼此正交的随机向量序列{}组成，即有;2、新息过程;〔2〕、新息过程的计算

下面分析新息过程的相关矩阵

在kalman滤波中，并不直接估计观测数据向量的进一步预测，而是先计算状态向量的一步预测

然后再用到下式得到：;将上式代入新息过程的定义式〔6〕，可得到：

这就是新息过程的实际计算公式，条件是：一步预测的状态向量估计业已求出。

定义向量的一步预测误差：;将此式代入式〔13〕，那么有

在新息过程的相关矩阵定义式〔10〕中代入式〔14〕，并注意到观测矩阵C〔n〕是一确实定矩阵，故有

式中Q2(n)是观测噪声v2(n)的相关矩阵，而

表示〔一步〕预测状态误差的相关矩阵;3，卡尔曼滤波算法

由上一节的的新息过程的相关知识和信息后，即可转入kalman滤波算法的核心问题的讨论：如何利用新息过程估计状态向量的预测？最自然的方法是用新息过程序列a(1),…a(n)的线性组合直接构造状态向量的一布预测：

式中W1(k)表示与一步预测项对应的权矩阵，且k为离散时间。现在的问题是如何确定这个权矩阵？

〔1〕、状态向量的一步预测

根据正交性原理，最优预测的估计误差;应该与值正交，故有

将式〔18〕代入〔19〕，并利用新息过程的正交性，得到

由此可以求出权矩阵的表达式：;将式〔20〕代入式〔18〕，状态向量的一步预测的最小均方估计可表示为

注意到并利用状态方程(1)，易知下式对k=0，1，…，n成立：;

将式〔22〕代入式〔21〕右边第一项〔求和项〕，可将其化简为：;假设定义

并将式〔23〕和式〔24〕代入式〔21〕，那么得到状态向量一步预测的更新公式：

式〔25〕在kalman滤波算法中起着关键的作用，因为它说明，n+1时刻的状态向量的一步预测分为非自适应〔即确定〕局部和自适应〔即校正〕局部G(n)a(n)。从这个意义上讲，G(n)称为kalman增益〔矩阵〕是适宜的。;〔2〕、kalman增益的计算

为了完成kalman自适应滤波算法，需要进一步推导kalman增益的实际计算公式。由定义式〔24〕知，只需要推导期望项的具体计算公式即可。

将新息过程的计算公式〔13〕代入式〔22〕，不难得出：

这里使用了状态向量与观测噪声不相关的事实。进一步地，由正交原理引理知，在最小均方误差准那么下求得的一步预测估与预测误差e(n,n-1)彼此正交，即;因此，由式(26)及式(27)易得：

将式(27)代入式(24)，便得到kalman增益的计算公式如下：

式中R(n)是信息过程的相关矩阵，由式(10)定义。;假设定义是利用的y(1),…,y(n)求得的状态向量的滤波估计，那么

定义滤波状态向量的误差向量，可以证明：

因此，Riccati差分方程中的矩阵P(n)事实上是滤波误差状态向量的相关矩阵。

〔4〕、kalman滤波算法

将上面推导得到的式(28)、(16)、(13)、(25)、(33)和(32)依次加以归纳，得到基于一步预测的kalman自适应滤波算法如下。

初始条件：;输入观测向量过程：

观测向量={y(1),…,y(n)}

参数：

状态转移矩阵F(n+1,n)

观测矩阵C(n)