Kalman Filter的推导与应用(二)

(二)Kalman Filter公式推导

考虑一个用状态空间模型描述的动态系统

X(t+1)=ΦX(t)+ΓW(t)
Y(t)=HX(t)+V(t)
其中, t 为时间,系统在时刻 t 的状态为 X(t)Rn ;Y(t)为观测信号; W(t)Rr 为输入的噪声, V(t)Rm 为观测噪声。由于不同问题的状态空间描述是不一样的,因此只有在确定状态空间后才可以得到递推公式(这是我自己的看法,不知道对不对,可能递推公式还是一样,不过根据问题来推一遍公式总不会有错的,只是麻烦点)。

【假设1】

  • W(t) V(t) 是均值为零,方差各为 Q R 的不相关白噪声

【假设2】

  • 初始状态 X(0) W(t) V(t) 不相关,而且
    E[X(0)]=μ0,E[(X(0)μ0)(X(0)μ0)T]=P0

推导

  • 问题重述

卡尔曼滤波是一个基于观测信号 { Y(1),Y(2),...,Y(t)} ,求状态 X(k) 的线性最小方差估计值的问题 X^(k|t) ,而且这个问题的目标函数是

J=E[(X(k)X^(k|t))T(X(k)X^(k|t))]
那么由之前的定义1.1可以得到,卡尔曼滤波问题可以归为求射影
X^(k|t)=proj(X(k)|Y(1),Y(2),...,Y(t))
由定义1.5可以得到递推公式为
X^(t+1|t+1)=X^(t+1|t)+K(t+1)ϵ(t+1)
K(t+1)=E[X(t+1)ϵT(t+1)]{ E[ϵ(t+1)ϵT(t+1)]}1
其中 K(t+1) 为卡尔曼滤波器增益。

  • 对状态方程求射影

w 表示观测信号,对状态方程 X(t+1)=ΦX(t)+ΓW(t) 两边取射影有(射影运算具有分配律,跟向量点乘一样)

proj(X(t+1)|w)=Φproj(X(t)|w)+Γproj(W(t)|w)
X^(t+1|t)=ΦX^(t|t)+Γproj(W(t)|w)
迭代求解状态方程后获得原状态方程的另一种表示
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值