卡尔曼滤波增益综述报告VIP免费

卡尔曼滤波增益综述报告姓名:周峰学号1411082695摘要：KalmanFilter是一个高效的递归滤波器，它可以实现从一系列的噪声测量中，估计动态系统的状态。广泛应用于包含Radar、计算机视觉在内的等工程应用领域，在控制理论和控制系统工程中也是一个非常重要的课题。本文介绍了卡尔曼滤波增益的由来，以及它在卡尔曼滤波理论中的作用，着重介绍了卡尔曼滤波增益的理论意义和它的物理意义。由卡尔曼滤波增益可以更深入的理解卡尔曼滤波，把它更好地应用于实际中。Abstract:KalmanFilterisanefficientrecursivefilter,itcanachievethetaskthatestimatesthedynamicstateofthesystemfromaseriesofnoisemeasurements.ItwidelybeusedinRadar,computervision,includeotherengineeringapplications,isalsoaveryimportantissueincontroltheoryandcontrolsystemsengineering.ThispaperintroducestheoriginoftheKalmanfiltergain,anditplaystheimportantroleintheKalmanfiltertheory,especiallyfocusesonitsthetheoreticalmeaningandphysicalmeaningaboutKalmanfiltergain.WewillgetadeeperunderstandingoftheKalmanfilter,betterappliedinpracticebylearningoftheKalmanfiltergain.关键词：卡尔曼滤波增益误差一、卡尔曼滤波器简介1.1卡尔曼滤波的由来1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文-《ANewApproachtoLinearFilteringandPredictionProblems》（线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别图像分割，图像边缘检测等等。1.2卡尔曼滤波原理卡尔曼滤波器用于估计离散时间过程的状态变量。这个离散时间过程由以下离散随机差分方程描述：公式1.1定义观测变量，的量测方程：公式1.2随机信号和分别表示过程激励噪声和观测噪声。假设它们为相互独立，正态分布的白色噪声：p(w)N(∼0,Q),公式1.3p(v)N(0,R)∼.公式1.4实际系统中，过程激励噪声协方差矩阵Q和观测噪声协方差矩阵R可能会随每次迭代计算而变化。但在这儿我们假设它们是常数。当控制函数或过程激励噪声为零时，差分方程1.1中的n×n阶增益矩阵A将上一时刻k−1的状态线性映射到当前时刻k的状态。实际中A可能随时间变化，但在这儿假设为常数。n×l阶矩阵B代表可选的控制输入的增益。量测方程1.2中的m×n阶矩阵H表示状态变量对测量变量的增益实际中H可能随时间变化，但在这儿假设为常数。定义（−代表先验，ˆ代表估计）为在已知第k步以前状态情况下第k步的先验状态估计。定义为已知测量变量时第k步的后验状态估计由此定义先验估计误差和后验估计误差：先验估计误差的协方差为：公式1.5后验估计的协方差：公式1.6式1.7构造了卡尔曼滤波器的表达式：先验估计和加权的测量变量及其预测H之差的线性组合构成了后验状态估计。公式1.7式1.7中测量变量及其预测之差kkxHz被称为测量过程的革新或残余。残余反映了预测值和实际值之间的不一致程度。残余为零表明二者完全吻合。式1.7中n×m阶矩阵K叫做残余的增益或混合因数，作用是使1.6式中的后验估计误差协方差最小。可以通过以下步骤计算K：首先将1.7式代入的定义式，再将代入1.6式中，求得期望后，将1.6式中的对K求导。并使一阶导数为零从而解得K值。K的一种表示形式为：公式1.8二、卡尔曼滤波增益2.1推导后验协方差矩阵按照定义，我们从误差协方差开始推导如下：代入再带入整理测量误差向量，得：因为...