当前课程知识点:现代数字信号处理 > 第四章 自适应滤波器 > 4.3 Kalman滤波 > 4.3 Kalman滤波
我们上节课分析了
期望响应存在情况下的线性最优滤波器
得到了维纳滤波器
那么一个自然会问的一个问题是
若期望响应未知
又如何进行线性最优滤波呢
本节从状态空间模型出发
回答这个问题
基于状态空间模型的线性最优滤波器
是Kalman提出的
称为Kalman滤波器
本节课包括三部分内容
卡尔曼滤波的状态方程和观测方程
卡尔曼滤波的基本思想
以及卡尔曼滤波的递推算法
首先我们来看第一个部分
卡尔曼滤波的状态方程和观测方程
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
过程方程也称状态方程
它由
来表示
其中M×1向量的xk它表示
系统在离散时间k的状态向量
是不可观测的
M×M矩阵Ak+1称为状态转移矩阵
它描述动态系统在时间k的状态
到k+1的状态之间的转移
M×1向量ωk为过程噪声向量
它描述状态转移中间的加性噪声或误差
观测方程由
来表示
其中
N×M矩阵Ck称为观测矩阵
它描述状态经过其作用变成可观测的
vk表示观测噪声向量
其维数与观测向量的相同
yk代表动态系统在时间k的N×1观测向量
接下来
我们了解一下卡尔曼滤波的基本思想
卡尔曼滤波的基本思想是
先不考虑过程噪声ωk
和观测噪声vk的影响
得到状态变量和观测数据的估计值
再用输出向量的估计误差加权后
校正状态变量的估计值
使状态变量估计误差的均方值最小
接着
我们基于卡尔曼滤波的基本思想
讨论一下卡尔曼滤波的递推算法
为分析方便
通常假定过程噪声ωk和观测噪声vk
均为零均值的正态白噪声
方差分别是Qk和Rk
并且初始状态与ωk,vk都不相关
γ表示相关系数
用数学式子进行如下表示
根据卡尔曼滤波的基本思想
当不考虑观测噪声和输入信号时
状态方程为
那么量测方程为
那么输出信号的估计值与实际值之间的误差
为了提高状态估计的质量
用输出信号的估计误差来校正状态变量
其中Hk为增益矩阵
根据yk以及yk的公式
可以得到
那么校正后状态变量的估计误差
代入到xk与xk的公式
并整理得到
该式子包括三部分
我们可以分别定义为a b c
校正后状态变量的估计误差均方值PK
我们定义为
把它带入到公式
得到与abc相关的公式
然后根据xk-1与x0 ω0 ω1等等
一直到ωk-2 ωk-1之间的不相关性
以及xk-1与vk的不相关性
我们可以得到Pk等于
统计平均
那么对它进行整理得到
那么未经校正的状态变量的估计误差均方值
并整理可以得到
然后我们会得到
就得到PK如下的表达式
那么根据Pk的表达式
使Pk最小的Hk应满足
也就是说卡尔曼滤波的最优增益矩阵为
那么综上所述
卡尔曼滤波算法进行如下
初始条件
已知参数
状态转移矩阵Ak
观测矩阵Ck
过程噪声的相关矩阵Qk
以及观测噪声的相关矩阵Rk
观测向量yk
k-1时刻的状态变量Xk-1
k-1时刻校正后状态变量的
估计误差均方值Pk-1
根据递推公式可得到
k时刻校正后状态变量的估计误差均方值Pk
以及k时刻的状态变量xk
以上是卡尔曼滤波的全部内容
谢谢大家
-1.1 基本概念
--1.1 基本概念
-1.2 随机信号的比较、变换
-第一章 作业
--第一章 作业
-2.1 估计量的性质
-2.2 Bayes 估计
-2.3 最大似然和最小二乘
-2.4 线性均方估计
-第二章 作业
--第二章 作业
-3.1 离散随机过程与非参数化谱估计
-3.2 ARMA谱估计
-3.3 最大熵谱估计
-3.4 Pisarenko谐波分解法
-3.5 MUSIC方法
-3.6 ESPRIT方法
-第三章 作业
--第三章 作业
-4.1 匹配滤波器
-4.2 维纳滤波器
-4.3 Kalman滤波
-4.4 LMS类自适应算法
-4.5 RLS自适应算法
-第四章 作业
--第四章 作业
-6.1 信号的局部变换
-6.2 短时傅里叶变换
-6.3 Gabor变换
-6.4 小波变换
--6.4 小波变换
-第六章 作业
--第六章 作业
-7.1 时频分布的一般理论
-7.2 Wigner-Ville分布
-7.3 模糊函数
--7.3 模糊函数
-7.4 cohen类时频分布
-第七章 作业
--第七章 作业