ARMA建模以及卡尔曼滤波

惯性导航时常用到ARMA建模和卡尔曼滤波，最近两天准备科普一下。

$$X_n=-(a_1X_{n-1}+a_2X_{n-2}+....+a_pX_{n-p})+\xi_n \ \ \ \ \ \ \qquad+b_1\xi_{n-1}+b_2\xi_{n-2}+....+b_q\xi_{n-q}$$

AR(1)

自回归模型AR(P)，$P=1$，建立漂移一阶归模型AR(1)模型：

$$X_n=-a_1X_{n-1}+\xi_n$$

在MATLAB中可以使用ar()函数，读者可以help一下即可。
AR(1)模型描述误差信号后，可以将其改为状态空间模型和输入输出模型：
$X_k=ΦX_{n-1}+W_{k-1}$
$Z_k=HX_{k}+V_{k}$

其中$W_{k-1}和V_{k}$为零均值白噪声序列

进行卡尔曼滤波，我们需要知道系统模型噪声方差阵，量测噪声方差阵，以及初始值，看文献得，经过AR(1)模型拟合后的漂移信号的协方差为系统噪声协方差阵，实测数据作为观测量，其协方差为测量噪声的正定方差阵。另外，原始测量值均方根值的1/10作为初始误差方差阵。以后即可进行卡尔曼滤波，有关卡尔曼滤波公式不再赘述。
所得结果如下所示：

AR(2)

ARMA(1,1)

ARMA(2,1)