资源描述
单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,现代数字信号处理,第二章:卡尔曼滤波,内容,2.1,卡尔曼滤波器,2.2,由因果,IIR,维纳滤波器看卡尔曼滤波器,2.3 从,bayes,滤波角度看卡尔曼滤波器,2.4 卡尔曼滤波器的扩展,2.1,卡尔曼滤波器,What is,Kalman,filter?An,optimal,recursive,data processing algorithm.,R.E.,Kalman,(1960),Optimal?formulating the,MMSE,linear filtering problem,(causal IIR Wiener filter),Recursive?The,time-recursive,processing of the input data,2.2,维纳滤波器的迭代实现,信号模型和测量模型:,因果,IIR,维纳滤波器,(前面推导结果):,分别代表用,n,时刻以及,n-1,时刻及以前所有数据对,s(n),和,x(n),的估计值,一步预测,:,第二步预测,:,新息(,Innovation):,迭代形式,差分方程,新息,卡尔曼增益:,预测误差功率:,预测误差,估计误差功率和预测误差功率关系:,估计误差,结构框图,Initiation,计算步骤,(同时估计若干个信号),信号矢量:例1,信号矢量,噪声矢量,参数矩阵,信号模型的矩阵形式,信号矢量:例,2,观察,/,测量矢量,测量模型的矩阵形式,标量算术,矢量算术,矢量卡尔曼滤波器的计算公式,2.3,卡尔曼滤波的统计原理,状态模型和观察信号模型,贝叶斯滤波,卡尔曼滤波,状态模型和观测模型,假设实际系统的状态序列为 ,其中,k,为时间序列标号,表示时间标号为,k,时的状态矢量,为状态矢量的维数。,状态间的转移关系,为,系统观测到的序列为 ,其中 表示时间标号为,k,时的观测矢量。观测量,和系统状态之间,的关系为:,v,和,n,分别为方差为,Q,和,R,的,高斯白噪声,需要注意的是:这里,x,表示信号状态,,z,表示观察/测量值。,贝叶斯估计,假设需要计算的后验分布 在时刻,k-1,已经得到,那么我们利用,状态模型,可以获得时刻,k,状态的,先验概率分布,:,注意:,做了如下假设(即认为状态模型为一阶马尔科夫过程):,在,k,时刻可以获得新的观测矢量,Z,k,,,基于贝叶斯准则可以利用,测量模型,来更新先验概率分布,从而获得需要的滤波结果:,两个步骤递归计算,就构成了最优的贝叶斯估计。遗憾的是,式和在很多场合下没有可分解的计算方法,所以它们只是一个理论上的解。基于特定分布的假设,如高斯分布可以获得最优估计的解析的计算方法,。,(1),(2),卡尔曼滤波,卡尔曼滤波器认为,后验概率在任何时刻都是高斯分布,的,这样由均值和方差就可以完全确定其概率分布。可以证明,如果 是高斯的,那么要使 也是高斯的话,隐含了下面的假设:,v,和,n,都是参数已知的高斯分布,是 和 的线性函数,是 和 的线性函数,(1)(2),取,后验均值作为状态的估计值-卡尔曼滤波,滤波过程,(1)状态一步预测(先验分布均值,),(2),预测误差功率(先验分布方差),计算卡尔曼增益,使用观察值更新预测(求后验分布均值,),求,估计误差功率(求后验分布方差,),预测,更新,初始估计:,2.4,卡尔曼滤波器扩展(非线性,),1。,Extended,Kalman,Filter(EKF),2。,The Unscented,Kalman,Filter(EKF),非线性?,解决:使用他们的泰勒展开式的一阶线性近似。,思想:近似一个高斯的分布比近似一个任意的非线性函数要容易的多。,EKF,与,无色变换的比较,g(),为,非线性函数,
展开阅读全文