没有合适的资源?快使用搜索试试~ 我知道了~
『张颢第七讲,卡尔曼滤波』
资源推荐
资源详情
资源评论
好,我们上课啊。今天我们要学习新的内容。ok,今天我们要学习 kalman 滤波器。那么,在信号
处理的发展史上,kalman 滤波器无论如何也是要占据一个地位的。从信号处理的整个历史来看,我们发
现 kalman 滤波器在很多角度上都会成为一个里程碑。在 kalman 滤波器出现之前啊,人们对问题的处理
还处在一个相对比较初级和基本的层面。而 kalman 滤波器的出现,应该说开启了很多扇大门,能够让人
们对于信号处理产生了全新的认识,我们今天的上课程是希望大家从两个层面可以有所收获,第一希望大
家能够领会两种思想。『我们总是说,我们这个每一堂课都希望能够大让大家去领会思想』,那么今天我
们希望大家领会两种思想。
第二个层面呢?我们希望能能让大家体会到啊,即使是非常复杂的、表面上非常复杂的一些对象或
者一些方法。那么,它本质的实际的规律其实都是很简单的。希望大家能够通过今天的课程的学习可以有
所体会好,现在我们就开始。我们的信号处理要做的事情啊是从观测开始入手,我们的观测往往是一组随
机变量,观测是一组随机变量
{X
1
, … X
N
}
。那么我们希望能够构造一种处理方法去估计另一个随机变
量 Y。没有问题,以前我们所学到的估计的方法,无论是线性的也好是非线性的也好,我们往往对线性的
模式给予更多的关注的,因为线性的处理起来比较方便,他们都属于一种直接的方法,怎么叫直接呢。
就是我们试图去构造一个映射 g。或者说去构造一个估计 g,直接把我们的观测数据
{X
1
, … X
N
}
给用上。然后让这个估计
g {X
1
, … X
N
}
能够在某种意义上去逼近我们想要看的东西 Y,因此呢,我们就
会构造一个滤波器 H。这个滤波器的输入
{X
1
, … X
N
}
就是我们的观测经过一个滤波 H。直接就得到了
输出 Y,而输出 Y 我们认为就是我们试图去估计的那个对象的某种近似值,没问题。这是我们从开学到现
在为止一直在秉承的基本理念,维纳滤波就是最优的这种线性逼近。好了,这样一种思想,他有什么问题?
他有什么问题。
这样一种思想啊,本质上来讲它是一个黑箱的思想。怎么讲呢?我这个时候有观测,但这个观测他
是怎么来的,我不是很在意。总之,我就观测到他了,而我要估计的东西呢。在这里,这个估计的这个东
西 Y,他一定是在某种程度上会影响这个观测,当然会影响。这两者 XY 之间如果根本没有相关性,我们
怎么能从观测 X 得到这个估计 Y 的对象的。他一定是有相关性的,那么这个估计的对象 Y 他对于我观测 X
是如何再发生影响和作用,其实我们没有关注。不知大家注意到没有,我们并没有去深究这件事,我们只
知道。他们之间是有关系的,肯定是有关系的,而我们所做的事情呢。是把他们中间的这种关系看成一个
黑箱,这个黑箱我就不打开了。然后我就紧紧从输入端处两个端入手来构造。我的信号处理方法,换句话
讲,我们现在是这么一个逻辑。
如果我们认真的画一下这个图的话,原本这里有个 Y。它会产生出我们的一组观测
{X
1
, … X
N
}
,
这是一个系统 H1,这个系统 H1 究竟是怎么一回事。其实我们并不知道,我们不但是不知道,我们甚至
都不想知道,因为我们的处理方法是什么呢?我们的处理方法呀。是再造一个系统 H2,然后由我的观测
出发。直接取得到我的估计 Y。上面这件事假设就 H1,下面这件事假设 H2。那么,我是对 H1 究竟是怎么
一回事,我完全不管他。我直接再造一个 H2,管你 H1 是怎么一回事?我把 H2 造出来之后,我发现能
够利用统计手段将我的观测与我估计的对象连接起来就可以了。这么一说大家是不是觉得这个事情还是有
问题的,或者至少是有缺陷的。有这种感觉吗?我们其实除了统计知识之外,我们除了统计的这种方法之
外,我们还知道一些别的东西。比方说我们还会有先验知识 ,这些先验知识包括什么呢。ok,包括我们
的物理,包括我们的化学。包括我们的生物等等,这个世界上除了统计以外我们知道的事还多。对于我们
要研究的对象,我们除了把观测数据可以通过统计与我们的对象都连起来之外。其实我们还知道很多,每
一个同学都会有这种感觉,在上这门课之前。你脑子里其实装了很多事。一上这门课之后呢,你发现以前
的事都用不上。那么我们,我们,我们必须要学一些新东西, ok,上课学新东西,这个本身无可厚非啊,
你上课一点新东西都学不到,你说这门课还开着干什么。关键的问题在于我们不能说是狗熊掰棒子的学法,
这个以前学到的东西完全给他扔掉了,然后我们学一套新东西,这显然不是特别合理的,所以说 我们以前
有的这些知识。我们在大学期间学过的各种基础科学知识以及我们在现实的工作当中所学到的跟我所研究
对象相关的这些专业知识,他们当然是应当在我的信号处理当中发挥作用,可是截止到今天为止,这个作
用如何发挥和体现是不是我们还没有谈及,
所以今天我们就要谈这件事。就是我们的这个先验知识,它能够干什么?我们的想法很简单。我们
今天要把这个黑箱子。给他打开就是我们要从黑箱。要进展到所谓系统。我们不满足于仅仅把输入输出关
系当成我们的作用点,不满足于仅仅把他们之间的影响看成一个黑箱了。我们想进一步的知道他们是怎么
在影响。因此我们希望能够从黑箱进展到系统结构并且更进一步的对这个系统结构进行解构,因此这也是
我们今天要谈的第一个思想,我们希望能够对这个系统结构进行解构,我们建立什么样的模型呢?我们建
立所谓叫做状态。听说过吧?嗯,这个大家在信号系统里实际上是学过的。但是呢,在学习信号与系统的
状态空间相关的知识的时候,不知道大家有没有考虑过这个问题,你对于同一个系统而言,事实上你是有
两种看法,①一种看法是黑箱的看法,那么这个系统关键的因素就是输入输出,而输入输出之间的关联就
是他的传递函数,这是一种看法,②另一种看法实际上是结构化的看。结构化的看法就是我们对系统啊要
拆开,我们要看到系统的内部去,那么系统内部呢它就会呈现出这么一个情况, ok。他就会有两个方程,
这个我们我们先别先别写的这么细致。ok,他就会有两个方程。第一个方程,我们称之为叫做状态方程 ,
第二个方程。我们称之为叫观测方程,我们解释一下。这么一来啊,我们对系统的看法就变了这个系统啊
它仍然是有它的输入和输出的,其实严格意义上来讲,它的状态方程里应该是有一个输入量 In。但是平时
我们很多时候把它给忽略掉,为什么呢?我们认为决定系统输出的关键,也许并不在这个输入 In 上,而
在另一件事上这件事叫做状态 Xn,这个状态它是隶属于系统内部的这么一种特性, 这个特性有什么特点?
还有两个特点。①第一他真正意决定了这个系统的形式。状态他自身有自身的一个运行发展规律。你看随
着时间的变化,状态也在演化。状态的演化才决定了这个系统内部的运行机制。②第二个特点状态往往是
不能被直接观测到,看不到,你从外部是看不到的。那么,你从外部看不到,但他又那么重要,你能够怎
么样去获得关于状态的认识呢?
很简单,有一个观测 Yn,这个观测它代表了一个过程 。我们可以由状态 Xn 来得到我们的观测
Yn。而这样一个过程是我们窥探系统内部结构的一个窗口,我们通过这个窗口就能够获得关于系统内部
的某种认识,某种认识,大家注意这样的一番话。与我们原来对系统的认识那是大不相同,因为 原来我们
觉得系统内部我们什么都看、不懂,现在呢,我们是能看到一些东西,我们能够看到系统内部的这个运行
发展的规律,它自身的时间演化的机制。这件事我们把系统掰开了之后就看到了,你肯定会想。哎,老师,
你说的这个事自相矛盾,那么你刚才又说状态是不可观测的。你又说我们能看到,那我们看到的究竟是什
么呢?很简单。我们实际上是在对这个系统进行建模,我们怎么样进行建模?我们在建模的时候就刚刚好
能把我们其他的知识给你用上,就是我们所获得的各种各样的基础科学知识,自然界的基本运行规律以及
我们的专业知识就是你所从事的那个专业研究,你的研究对象所具有的以前人们已经认知到了一些规律
ok,全部都可以体现在我们的这一个模型当中,换句话说, 都可以体现在你对于系统内部运行规律的描
述当中(状态方程中),就这个规律本身你可以给他进行建模(状态方程)。你看这样一来,我们已有的
知识都派上用场。全都能派上用场,我们有的知识就帮助我们建立起状态空间的模型,当然你在建模的同
时,你要注意。这个状态尽管是按照这个模型,按照这个规律在发展演化。但是你是直接看不到他,你不
能直接观测到他的(比如速度、加速度),你能够观测到的是他的一个侧面(物体位置)。现在我们的信
号处理这个任务就变了,我们现在有一堆观测量 Y1,..Yn(物体位置),这是我们的采样数据。我们试图
通过某种处理方法。从这一堆观测量 Y1,..Yn 当中,把我们系统内部真正的运行的推手 X1,,Xn(速度
加速度)给他找出来。也就是把这个状态 X1,,Xn(速度、加速度)给他找出来,这也是信号。我们不
仅仅想在外面打转,我们不仅仅关心系统的输入 Y1,..Yn。我们希望由外及里,有表及内。把系统内部的
状态 X1,,Xn(速度、加速度)给他看清楚,这个东西一旦看清楚。这个系统它如何运行我就全明白,
而我怎么看呢。我手里只有观测数据 Y1,..Yn 位置,我要用观测数据 Y1,..Yn 对我的状态进行估计,这是
我信号处理的任务。你看,跟以前不太一样,我们现在有了状态空间 Y1,..Yn,那么我们就可以用新的视
角来看待我们的信号处理问题。
好,通常而言。这个状态空间模型 X1,,Xn 里头是一定有噪声。噪声在这里写的很清楚。这个是
噪声 Vn,那么这个噪声项他在状态方程与观测方程当中。都分别叫做状态噪声 Vn 与观测噪声 Wn。状态
本身在运转的过程当中,你系统内部不可能完全是干净的,不可能完全是你建立的这种模型。和你对于自
然规律的认知是吻合的,因此这里有一些噪声,有一些偏离,非常正常。我们自然可以把状态造成加在我
们的模型当中,让我们的模型显得更加的贴地气。观测更不用说了,在观测的过程当中,由于你观测设备
的能力有限,由于你的这个量程,由于你的动态,由于你其他的一系列的这样的参数都不一定能够是非常
理想的,所以一定也会有噪声。因此我们在做信号处理的时候,我们一方面希望能够由由观测逆运算到状
态。另一方面呢,我们也要克服这两种噪声的影响。
我们把状态方程稍微的简化一下。我们简化成这个样。那么这个是一般的非线性的情况,我们现在
简化成了线性的情况,这很显然是一种简化。不过呢,大家要注意,我们在做这个简化的时候,还是比我
们以前的那个系统模型有了一个重要的进展和变化,这个进展跟变化是体现在这里。因为 F 跟 H。他们都
剩余18页未读,继续阅读
资源评论
_helen_520
- 粉丝: 611
- 资源: 8
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功