欢迎来到天天文库
浏览记录
ID:14176368
大小:425.00 KB
页数:9页
时间:2018-07-26
《_matlab_实验报告》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、卡尔曼滤波器设计班级:09030702学号:2007302176姓名:谢林设计时间:2010/12/20学姓9自动化学院信息工程谢林(2007302176)email:nkzxxlzcp2003@126.com卡尔曼滤波器设计一、卡尔曼及卡尔曼滤波算法介绍1)卡尔曼鲁道夫·卡尔曼(RudolfEmilKalman),匈牙利裔美国数学家,1930年出生于匈牙利首都布达佩斯。1953年于麻省理工学院获得电机工程学士,翌年硕士学位。1957年于哥伦比亚大学获得博士学位。1964年至1971年任职斯坦福大学。1971年至1992年任佛罗里达大学数学系统理论中心(CenterforMathematic
2、alSystemTheory)主任。1972起任瑞士苏黎世联邦理工学院数学系统理论中心主任直至退休。先居住于苏黎世和佛罗里达。2009年获美国国家科学奖章。2)卡尔曼滤波卡尔曼滤波器是一个“optimalrecursivedataprocessingalgorithm(最优化自回归数据处理算法)”。对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。他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3卡尔曼滤波器算法(TheKalmanFilterAlgori
3、thm)在这一部分,我们就来描述源于DrKalman的卡尔曼滤波器。下面的描述,会涉及一些基本的概念知识,包括概率(Probability),随即变量(RandomVariable),高斯或正态分配(GaussianDistribution)还有State-spaceModel等等。但对于卡尔曼滤波器的详细证明,这里不能一一描述。首先,我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程(LinearStochasticDifferenceequation)来描述:X(k)=AX(k-1)+BU(k)+W(k)再加上系统的测量值:Z(k)=HX(k)+V(k)上两式子中,X(k
4、)是k时刻的系统状态,U(k)是k时刻对系统的控制量。A和B是系统参数,对于多模型系统,他们为矩阵。Z(k)是k时刻的测量值,H是测量系统的参数,对于多测量系统,H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(WhiteGaussianNoise),他们的covariance分别是Q,R(这里我们假设他们不随系统状态变化而变化)。对于满足上面的条件(线性随机微分系统,过程和测量都是高斯白噪声),卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances来估算系统的最优化输出9自动化学院信息工程谢林(2007302176)email:nkzx
5、xlzcp2003@126.com首先我们要利用系统的过程模型,来预测下一状态的系统。假设现在的系统状态是k,根据系统的模型,可以基于系统的上一状态而预测出现在状态:X(k
6、k-1)=AX(k-1
7、k-1)+BU(k)………..(1)式(1)中,X(k
8、k-1)是利用上一状态预测的结果,X(k-1
9、k-1)是上一状态最优的结果,U(k)为现在状态的控制量,如果没有控制量,它可以为0。到现在为止,我们的系统结果已经更新了,可是,对应于X(k
10、k-1)的covariance还没更新。我们用P表示covariance:P(k
11、k-1)=AP(k-1
12、k-1)A’+Q………(2)式(2)中,P(k
13、
14、k-1)是X(k
15、k-1)对应的covariance,P(k-1
16、k-1)是X(k-1
17、k-1)对应的covariance,A’表示A的转置矩阵,Q是系统过程的covariance。式子1,2就是卡尔曼滤波器5个公式当中的前两个,也就是对系统的预测。现在我们有了现在状态的预测结果,然后我们再收集现在状态的测量值。结合预测值和测量值,我们可以得到现在状态(k)的最优化估算值X(k
18、k):X(k
19、k)=X(k
20、k-1)+Kg(k)(Z(k)-HX(k
21、k-1))………(3)其中Kg为卡尔曼增益(KalmanGain):Kg(k)=P(k
22、k-1)H’/(HP(k
23、k-1)H’+R)………(4)到
24、现在为止,我们已经得到了k状态下最优的估算值X(k
25、k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束,我们还要更新k状态下X(k
26、k)的covariance:P(k
27、k)=(I-Kg(k)H)P(k
28、k-1)………(5)其中I为1的矩阵,对于单模型单测量,I=1。当系统进入k+1状态时,P(k
29、k)就是式子(2)的P(k-1
30、k-1)。这样,算法就可以自回归的运算下去。卡尔曼滤波器的原理基本描述了
此文档下载收益归作者所有