卡尔曼滤波器介绍

卡尔曼滤波器介绍

ID:16513986

大小:380.50 KB

页数:12页

时间:2018-08-13

卡尔曼滤波器介绍_第1页
卡尔曼滤波器介绍_第2页
卡尔曼滤波器介绍_第3页
卡尔曼滤波器介绍_第4页
卡尔曼滤波器介绍_第5页
资源描述:

《卡尔曼滤波器介绍》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、卡尔曼滤波器介绍摘要在1960年,R.E.Kalman发表了关于递归解决线性离散数据滤波器的著名论文,从那时间起,由于在数字计算的大部分提高,Kalman滤波器已成为广泛研究和应用的学科,尤其是自动或辅助导航系统。Kalman滤波器是一套数学等式,它提供了一种有效的以最小均方误差来估计系统状态的计算(递归的)方法。它在以下几方面是非常强大的:它支持过去、现在、甚至将来估计,甚至在系统准确模型也未知的情况下。本文的目的是提供一种对离散的Kalman滤波器的实用介绍。这些介绍包括对基本离散kalman滤波器、起源和与之相关的简单(有形)

2、的带有真实数字和结果的描述和讨论。1、离散的kalman滤波器在1960年,R.E.Kalman发表了关于递归解决线性离散数据滤波器的著名论文,从那时间起,由于在数字计算的大部分提高,Kalman滤波器已成为广泛研究和应用的学科,尤其是自动或辅助导航系统。关于kalman滤波器一般方法的友好介绍可以在〔maybeck79〕的Chapter.1中找到,但是更完整部分的讨论能在〔Sorenson70〕中发现,它还包括许多有趣的历史解释。在〔Gelb74;Grewal93;Maybeck79;Lewis86;Brown92;jacobs9

3、3〕中有更多参考。估值过程Kalman滤波器解决估计离散时间控制过程的状态X∈Rn的一般性问题,定义线性随机差分方程其中,测量值Z∈Rm,定义为随机变量WK和VK各自表示系统噪声和测量噪声,我们假定它们为相互独立的、白噪声且为正常概率分布在实际中,系统噪声协方差矩阵Q和测量噪声协方差矩阵R可能随过程和测量时间而改变,无论怎样,我们在这里假定它们是常量。在差分方程(1.1)中,n×n阶矩阵A与前一时刻(K-1)和当前时刻K相关,这里缺少传递函数或系统噪声。注意的是,在实际中,A可能随各自时刻改变,但这里我们假定其为常量,n×l阶矩阵R

4、与非强制性输入U∈Rl和状态x有关,在测量公式(1.2)中,m×n阶矩阵H与状态及测量值ZK有关,在实际中,H可能随各自过程或测量时刻而改变,这里假定它们是常数。12滤波器计算初步我们定义XK-∈Rn(注意负号)为k时刻及系统k时刻以前数据的priori状态估计,定义XK-∈Rn在得到测量值ZK的k时刻的posteriori状态估计。我们这时定义前后两状态的估计误差为这时priori估计协方差为并且posteriori估计协方误差为在推导kalman滤波器方程时,我们开始找到Posteriori状态估计XK与priori估计XK-和

5、实际测量值ZK与预测值Hxk-之差的加权的线性组合的公式,如式(1.7)。对于(1.7)的一些调整在下面的“滤波器的概率初步”中给出。式(1.7)中(ZK-Hxk)的差叫测量协方差或叫余数,这余数反映的是预测值Hxk与实际值Zk的不合。一个零余数意味着这两个数完全一致。式(1.7)中n×m阶矩阵选择Posteriori协方误差的最小增益或混合因子,这最小值可以获得:首先代式(1.7)到上面定义的ek,代入到(1.6)中,得到期望值,然后然后推导期望结果K的迹,并设其为0,最后解得K。对于更详细的看〔Maybeck79;Brown92

6、;Jacobs93〕。最小化式(1.6)的结果K的一种形式如下从(1.8)中,我们可以看到测量均方误差R趋于0时,增益K加权余数会越大,尤其另一方面,当Priori估计协方误差PK-趋于0时,增益k加权余数越小,尤其考虑加权K的另一种方法:当测量协方误差R趋于0时,真实测量值ZK越来越真实,这时,预测值Hxk-越来越不真实,另一方面,当Priori估计协方误差PK-趋于0时,真实测量值Zk越来越不真实,预测值Hxk-越来越不真实。12滤波器概率初步式(1.7)的调整来源制约于在先前测量值ZK(Bayes准则)上Priori估计XK-

7、的概率。此时,我们足够指出:Kalman滤波器保持了分布状态的一、二阶矩。式(1.7)的Posteriori状态估计反映了分布状态的均值(一阶矩)——这是在条件(1.3)和(1.4)同时满足的自然分布。Posteriori估计协方误差(1.6)反映分布状态的变化(二阶非中心矩),换之,对于Kalman滤波器的更详细的概率初步,可以参考〔Maybeck79;Brown92;Jacobs93〕。离散Kalman滤波器算法我们从大体概述了一种包含离散Kalman滤波器形式的高级算法来开始这部分(看以前脚注)。在描述完它的高级目的之后,我们

8、将在滤波器的本文集中到特定的公式和应用。Kalman滤波器是用反馈控制的形式来估计过程:在当时滤波器估计过程状态,然后在噪声测量值时获得反馈。比如,Kalman滤波器的等式有两组:timeupdate等式和measurementupd

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。