卡尔曼滤波04_2 Sage-Husa自适应滤波

Sage-Husa自适应滤波

自适应滤波的状态空间模型为:
在这里插入图片描述
在这里插入图片描述
自适应滤波适用的系统为噪声和噪声的方差未知,且不是零均值。由于噪声未知,噪声参数的不准确可能会影响系统输出,此时自适应滤波采用一边进行参数估计一边进行状态识别来处理。
自适应滤波的原则:噪声均值均可等效于状态增广(作为参数进行估计),激励噪声方差难以自适应,量测噪声方差相对容易自适应(可观测性更强的系统,才适用于自适应滤波),应尽量减少噪声自适应参数的数目。
量测噪声的自适应方法:
在这里插入图片描述
在这里插入图片描述
观测噪声方差R未知,由上式可以表示为:
在这里插入图片描述
上式是一种统计的满足,用时间平均来估计R
在这里插入图片描述
上式为一种等加权平均,但随着时间的增长,1/k区域0,则随着时间的增长其自适应能力越差,因此可以采用一种指数渐消记忆的方法:
在这里插入图片描述
在这里插入图片描述
渐消因子的确定方式就是自己不断的尝试,一般的取值都是0.9,0.99等比较接近于1的数。
当实际噪声比较小时,容易出现量测方差负定,可改用“序贯量测+方差受限”自适应方法加以解决:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
自适应滤波过程就如下图所示:

普通的卡尔曼滤波滤波计算回路与增益计算回路之间是独立的,只有增益计算回路中的增益矩阵用于滤波计算回路(紫色箭头),但是自适应中的R受观测值影响(红色箭头),所以自适应滤波系统是一个复杂的非线性系统,系统的稳定性难以证明,只能通过仿真来测试。
  • 7
    点赞
  • 76
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
Sage-Husa自适应卡尔曼滤波Sage-Husa Adaptative Kalman Filter)是一种基于卡尔曼滤波的自适应算法。该算法通过对系统模型的自适应估计,可以更好地处理非线性和非高斯的系统。 在传统的卡尔曼滤波中,系统模型通常假设为线性和高斯。然而,实际系统往往会存在非线性和非高斯的情况,此时传统的卡尔曼滤波效果不佳。 Sage-Husa自适应卡尔曼滤波通过引入一个自适应参数,可以自动调整卡尔曼增益和协方差矩阵,以更好地适应非线性和非高斯的系统。该自适应参数会根据系统的状态和观测之间的差异进行调整,使得滤波器的性能得到改进。 具体来说,Sage-Husa自适应卡尔曼滤波可以用以下步骤描述: 1. 初始化系统模型和初始状态。 2. 根据当前观测值和上一时刻的状态估计,计算卡尔曼增益和协方差矩阵。 3. 经过一次增益调整,对卡尔曼增益进行修正。 4. 使用修正后的卡尔曼增益和协方差矩阵,更新系统状态的估计。 5. 根据最新的状态估计和观测值,计算新的卡尔曼增益和协方差矩阵。 6. 重复步骤3到5,直到收敛或达到设定的终止条件。 Sage-Husa自适应卡尔曼滤波在非线性和非高斯的系统中表现出良好的性能,能够提高滤波器的鲁棒性和精确性。然而,该算法的计算复杂度较高,可能需要更多的计算资源和时间。因此,在实际应用中需要权衡处理效果与计算开销之间的关系。

“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 4
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