没有合适的资源?快使用搜索试试~ 我知道了~
卡尔曼滤波
需积分: 0 0 下载量 54 浏览量
2012-05-29
17:02:03
上传
评论
收藏 260KB PDF 举报
温馨提示
试读
11页
卡尔曼滤波,我的资源里还有小波滤波,都是做信号处理不可缺少的文件。
资源详情
资源评论
资源推荐
第六章 卡尔曼滤波(The Kalman filtering)
通过前面几节内容的学习,我们知道维纳滤波是根据当前 和过去全部的观测值
来估计信号的当前值 ,它的解形式是以均方误差最小为原则下的
系统的传递函数 或单位脉冲响应 。而卡尔曼滤波不需要过去全部的观测值,它
是根据前一个估计值 和最近一个观测值 来估计信号的当前值 ,它是用状
态方程和递推方法进行估计的,因而卡尔曼滤波对信号的平稳性和时不变性不做要求。我们
利用维纳滤波的模型引入到卡尔曼滤波的信号模型。
)(nx
L),2(),1( −− nxnx )(ns
)(zH )(nh
)1(
ˆ
−ns )(nx )(
ˆ
ns
第一节 信号模型
6.1.1 状态方程和量测方程
要给出卡尔曼滤波的信号模型,先来讨论状态方程和量测方程。图 5.11 是维纳滤波的
模型,信号 可以认为是由白噪声 激励一个线性系统 的响应,假设响应和激
励的时域关系可以用下式表示:
)(ns
)(
1
nw
)(zA
)1()1()(
1
−
+
−
=
nwnasns
(6-52)
上式也就是一阶 AR 模型。在卡尔曼滤波中信号 被称为是状态变量,用矢量的形式表
示为 ,在 k 时刻的状态用
S(k)
表示,在 k-1 时刻的状态用
)(ns
S(k) 1)S(k
−
表示。激励信号
也用矢量表示为 ,激励和响应之间的关系用传递矩阵 来表示,它是由系
统的结构确定的,与 有一定关系。有了这些假设后我们给出状态方程:
)(
1
nw (k)w
1
A(k)
)(zA
1)(kw1)A(k)S(kS(k)
1
−
+
−
=
(6-53)
上式表示的含义就是在 k 时刻的状态 可以由它的前一个时刻的状态 来求得,
即认为 k-1 时刻以前的各状态都已记忆在状态
S(k) 1)S(k −
1)S(k
−
中了。
)(ns
)(zA
)(
1
nw
)(ns
)(zA
)(
1
nw
)(nw
⊕
)(nx
图 6.11 维纳滤波的信号模型和观测信号模型
卡尔曼滤波是根据系统的量测数据(即观测数据)对系统的运动进行估计的,所以除了
状态方程之外,还需要量测方程。还是从维纳滤波的观测信号模型入手,图 6.11 的右图,
观测数据和信号的关系为:
)()()( nwnsnx
+
=
, 一般是均值为零的高斯白噪声。在
卡尔曼滤波中,用 表示量测到的信号矢量序列,
w(k)
表示量测时引入的误差矢量,
则量测矢量 与状态矢量
S(k)
之间的关系可以写成
)(nw
X(k)
X(k)
w(k)S(k)X(k)
+
=
(6-54)
上式和维纳滤波的 概念上是一致的,也就是说卡尔曼滤波的一维信号模
型和维纳滤波的信号模型是一致的。
)()()( nwnsnx +=
把式(6-55)推广就得到更普遍的多维量测方程
w(k)C(k)S(k)X(k)
+
=
(6-55)
上式中的 称为量测矩阵,它的引入原因是,量测矢量 的维数不一定与状态矢量
的维数相同,因为我们不一定能观测到所有需要的状态参数。假如 是 的矢
量, 是 的矢量,
C(k)
就是
C(k) X(k)
S(k) X(k)
1×m
S(k)
1×n nm
×
的矩阵,
w(k)
是
1
×
m
的矢量。
6.1.2 信号模型
有了状态方程
1)(kw1)A(k)S(kS(k)
1
−
+
−
=
和量测方程
w(k)C(k)S(k)X(k) +
=
后我们就能给出卡尔曼滤波的信号模型,如图 6.12 所示。
⊕
⊕
S(k)
C(k)
1)A(k +
1−
z
w(k)
(k)w
1
X(k)
1)S(k +
图 6.12 卡尔曼滤波的信号模型
【例 6-6】设卡尔曼滤波中量测方程为
w(k)S(k)X(k)
+
=
,已知信号的自相关函数的
z变换为
25.18.0,
)8.01)(8.01(
36.0
)(
1
<<
−−
=
−
z
zz
zR
ss
,噪声的自相关函数为,
)()( mmR
ww
δ
= ,信号和噪声统计独立。求卡尔曼滤波信号模型中的 和
C(k)
。
A(k)
解:根据等式
)()()(
12
1
−
= zAzAzR
wss
σ
)8.01)(8.01(
36.0
1
1
zz
zz
−−
=
−
−
,可以求得
)(
)(
8.01
)(
1
1
1
zW
zS
z
z
zA =
−
=
−
−
变换到时域得:
)()(8.0)1(
1
kwksks
+
=
+
因此
8.0=A(k)
又因为
w(k)S(k)X(k)
+
=
,所以
C(k)
=1。
第二节 卡尔曼滤波方法(The method of Kalman
filtering)
建立好了卡尔曼滤波的信号模型以及状态方程、量测方程后,要解决的问题就是要寻找
在最小均方误差下信号
S(k)
的估计值 。
(k)S
ˆ
6.2.1 卡尔曼滤波的一步递推法模型
把状态方程和量测方程重新给出:
1)(kw1)A(k)S(kS(k)
1
−
+
−
=
(6-56)
w(k)C(k)S(k)X(k)
+
=
(6-57)
上式中 和
C(k)
是已知的, 是观测到的数据,也是已知的,假设信号的上一个估
计值 已知,现在的问题就是如何来求当前时刻的估计值 。
A(k) X(k)
1)(kS −
ˆ
(k)S
ˆ
上两式中如果没有 与 ,可以立即求得
S(k)
,估计问题的出现就是因为信号
与噪声的叠加。假设暂不考虑 与 ,用上两式得到的 和 分别用 和
表示,得:
(k)w
1
w(k)
(k)w
1
w(k) (k)S
ˆ
(k)X
ˆ
(k)S
ˆ
′
(k)X
′
ˆ
1)(kSA(k)(k)S −=
′
ˆˆ
(6-58)
剩余10页未读,继续阅读
qplang
- 粉丝: 0
- 资源: 10
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
评论0