卡尔曼滤波算法含详细推导.ppt
《卡尔曼滤波算法含详细推导.ppt》由会员分享,可在线阅读,更多相关《卡尔曼滤波算法含详细推导.ppt(26页珍藏版)》请在三一文库上搜索。
1、卡尔曼滤波算法及推导2021/6/42021/6/41 11、kalman滤波问题考虑一离散时间的动态系统,它由描述状态向量的过程方程和描述观测向量的观测方程共同表示。(1)、过程方程式中,M 1向量x(n)表示系统在离散时间n的状态向量,它是不可观测的;M M矩阵F(n+1,n)成为状态转移矩阵,描述动态系统在时间n的状态到n+1的状态之间的转移,应为已知。而M 1向量为过程噪声向量,它描述状态转移中间的加性噪声或误差。2021/6/42021/6/42 21、kalman滤波问题(1)、观测方程式中,N 1向量y(n)表示动态系统在时间n的观测向量;N M矩阵C(n)称为观测矩阵(描述状态
2、经过其作用,变成可预测的),要求也是已知的;v2(n)表示观测噪声向量,其维数与观测向量的相同。过程方程也称为状态方程,为了分析的方便,通常假定过程噪声v1(n)和观测噪声v2(n)均为零均值的白噪声过程,它们的相关矩阵分别为:2021/6/42021/6/43 31、kalman滤波问题2021/6/42021/6/44 41、kalman滤波问题还假设状态的初始值x(0)与v1(n)、v2(n),n 0均不相关,并且噪声向量v1(n)与v2(n)也不相关,既有:2021/6/42021/6/45 52、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
3、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,N 1向量表示观测数据y(n)的新的信息,简称新息。2021/6/42021/6/46 62、新息过程新息具有以下性质:性质1 n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2021/6/42021/6/47 72、新息过程性质3 表示观测数据的随机向量序列y(1),y(n)与表示新息过程的随机向量序列a(1),a(n)一一对应,即以上性质表明:n时刻的新息a(n)是一个与n上课之前的观测数据y(1),.,y(n-1)不相关,并具有白噪声性质的随机过程,
4、但它却能够提供有关y(n)的新息,这就上信息的内在物理含义。2021/6/42021/6/48 82、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:2021/6/42021/6/49 92、新息过程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:2021/6/42021/6/410102、新息过程将此式代入式(13),则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
5、n)是一已知的确定矩阵,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2021/6/42021/6/411113、kalman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)、状态向量的一布预测根据正交性原理,最优预测的估计误差2021/6/42021/6/412123、kalman滤波算法应
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 卡尔 滤波 算法 详细 推导
