带有过程噪声协方差更新的卡尔曼滤波算法.pdfVIP

带有过程噪声协方差更新的卡尔曼滤波算法

KrishanKumarGola,ShaunakSen

DepartmentofElectricalEngineering

IndianInstituteofTechnologyDelhi

HauzKhas,NewDelhi110016,INDIA

摘要。生物分子背景下的随机模型可能具有状态依赖的过程噪声协方差。过程噪声协方差的选择是

本设计卡尔曼滤波器进行状态估计中的一个重要参数，而随着状态估计的变化更新过程噪声协方差的

译理论保证尚不清楚。在这里，我们使用最小均方误差估计框架以及将卡尔曼滤波器解释为通过牛顿

中法最小化加权最小二乘成本来研究了这个问题。我们发现了一个带有过程噪声协方差更新的类似卡

尔曼滤波器的算法，它是具有线性过程动态和过程噪声协方差与状态呈平方根依赖关系的一类系统

1

v的最佳线性无偏估计器。我们证明了这一结果对于离散时间系统动力学成立，并使用极限方法将其

5

0扩展到连续时间动力学。对于非线性动力学以及过程噪声协方差对状态具有一般依赖性的，我们表

9

0明该算法最小化了一个加权最小二乘成本的二次近似。该算法通过一个示例进行了说明。

0

.

8

0

5

2

:

v

i1介绍

x

r

a

生物分子系统的数学模型在过程噪声项中可能具有明确的状态和参数依赖性，

(1)

其中,是生物分子浓度水平的状态向量，表示不同的生化反应，

是由于反应引起的生物分子物种的变化，而是具有零均值和单位方差的独立高斯白

噪声过程[1]。这些动力学构成了一种特定反应方案的化学朗之万方程。根据输出方程是连续还是

离散，整体动力学可分别被视为连续或连续-离散[2]。类似模型也出现在其他情境中，如金融领

域[3]。从输出测量中估计状态和参数在这些情境下是一个重要问题。

卡尔曼滤波器是一种标准的状态估计方法，其滤波方程可以从一种最小化均方误差期望值的概

率方法获得，也可以从一种最小化加权最小二乘代价函数的统计方法获得[2],[4]。虽然卡尔曼滤波

器是针对由白高斯噪声驱动的线性系统的一种最优滤波器，但在实践中通常将其扩展到其他非线性

和非高斯环境中，并且能取得良好的效果但没有理论保证[5]。一般情况下，非线性估计问题可以表

1

述为库尚方程，但是其解通常涉及近似方法[2]。因此，在非线性环境中的估计中通常使用卡尔曼滤

波器的扩展变体，包括在上述环境中也是如此[6]。过程噪声协方差的选择是设计卡尔曼滤波器时

的一个重要参数。这通常是基于启发式方法来选择的，虽然也有一些自适应算法存在[5],[7]。关于

状态依赖的过程噪声协方差对估计算法的影响相对较少被探索。

我们之前询问过过程噪声项的知识是否以及如何被用于增强卡尔曼滤波器的状态和参数估

计[8]。我们的数值研究表明，与具有固定过程噪声协方差的标准卡尔曼滤波器相比，在每个时

间步基于新估计更新过程噪声协方差的卡尔曼滤波器变体可能具有一些令人鼓舞的特性，包括状态

和参数估计的收敛性、创新序列是白色的，并且均方估计误差与收敛时间之间达到了最优平衡。这

种变化是由系统属性启发得出的，可以被视为在每