卡尔曼滤波(一)——预备知识

工业交换机

已于 2022-03-07 10:24:37 修改

阅读量876

点赞数

文章标签：算法回归数据挖掘

于 2022-03-04 10:15:05 首次发布

本文链接：https://blog.csdn.net/menteei/article/details/123246752

版权

卡尔曼滤波将观测数据看成是某个用状态变量方法描述的系统的输出，通过引入新息过程的概念，采用迭代方法直接利用观测数据进行运算，可得到原系统状态向量的估计。

下面先介绍几个概念

新息过程：线性预测器在最小均方误差意义下的预测误差e(n)称为新息过程。

线性预测器：如下图所示的M抽头横向滤波器，滤波器各节点的输入数据为u(n-1),u(n-2),...u(n-M),期望信号为d(n)=u(n)，即用u(n-1),u(n-2),...u(n-M)来预测u(n),称为M阶线性预测。

图1 滤波器

均方误差准则：如图1所示滤波器的估计误差为 $e(n)=d(n)-\hat{d}(n)$

下文中 $u(n)=[u(n) u(n-1) ... u(n-M+1)]^{T}$ 、 $w=[w_{0} w_{1} ... w_{M-1}]^{T}$

维纳-霍夫方程：根据矩阵理论，如果多元函数 $J(w)$ 在点 $w=[w_{0},w_{1}...w_{M-1}]$ 处存在偏导数，可以表示为 $\frac{\partial J(w)}{\partial w^{*}}$ 。式4.2.10的梯度应该表示为 $\bigtriangledown J(w)= \frac{\partial J(w)}{\partial w^{*}}=-2p+2Rw$ ,令 $\bigtriangledown J(w)= 0$ ，有 $Rw_{0}=p$ ,这就是维纳-霍夫方程。 $w_{0}$ 是使均方误差最小的最优权向量。