卡尔曼最优预测以及最优滤波方程的相关推导--最优滤波篇

最新推荐文章于 2024-04-23 08:38:00 发布

jasper_sun

最新推荐文章于 2024-04-23 08:38:00 发布

阅读量2.5k

点赞数 5

分类专栏：数学控制理论文章标签：卡尔曼滤波最优状态估计

本文链接：https://blog.csdn.net/u013910954/article/details/104077965

版权

上一篇帮大家回忆了相关数学基础，介绍了相关问题背景以及最优预测方程的推导，本篇将开启卡尔曼最优滤波方程的推导。同时，在本篇的最后会给出两个详细的实际应用的例子帮助大家理解应用卡尔曼最优滤波。

一、问题的提法

对于线性离散系统，其状态空间描述为：

$\left\{ \begin{array}{ll} X(k+1) = \Phi(k+1,k)X(k)+G(k+1,k)U(k) + \Gamma(k+1,k)W(k) \\ Z(k)=H(k)X(k)+V(k) \end{array} \right.$

在最优滤波篇中，我们的基本假设跟前面的最优预测的部分相同。因此我们可以把问题描述为：在给出观测序列 Z(0),Z(1),...,Z(k+1) 的条件下，要求找出 X(k+1) 的线性最优估计 $\hat{X(k+1|k+1)}$ ，使得估计值 $\hat{X(k+1|k+1)}$ 与 X(k+1) 之间的误差： $X(k+1|k+1)=X(k+1)-\hat{X(k+1|k+1)}$ 的方差最小，同时要求估计值 $\hat{X(k+1|k+1)}$ 是观测序列的线性函数，且估计是无偏的，即 $E[\hat{X(k+1|k+1)}]=E[X(k+1)]$

二、线性离散系统的卡尔曼最优滤波方程

通常在推导卡尔曼最优滤波方程时，我们同样先忽略控制输入信号的作用，即认为输入为0，这样我们可以得到系统的状态空间描述为：

$\left\{ \begin{array}{ll} X(k+1) = \Phi(k+1,k)X(k) + \Gamma(k+1,k)W(k) \\ Z(k)=H(k)X(k)+V(k) \end{array} \right.$

在获取到观测序列 Z(0),Z(1),...,Z(k) 后，假定我们已经找到状态 X(k) 的最优滤波估计 $\hat{X(k|k)}$ ，同样在 k+1 时刻，在还未获取到观测值 Z(k+1) 的情况下，我们可以先得到一步最优估计 $\hat{X(k+1|k)}$ ，由于 W(k) 为零均值的白噪声序列，其最优估计为，因此：

$\hat{X(k+1|k)} = \Phi(k+1,k)\hat{X(k|k)} \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ (2.1)$

同样 V(k) 也是零均值的白噪声序列，我们可以得到观测值 Z(k+1) 的预测值：

$\hat{Z(k+1|k)}=H(k+1)\hat{X(k+1|k)}$

在我们获取到观测值 Z(k+1) 之后，跟在最优预测里面一样，我们来讨论一下观测值 Z(k+1) 以及其预测值 $\hat{Z(k+1|k)}$ 之间的误差，以期用于修正对 X(k+1) 的预测值 $\hat{X(k+1|k)}$ 从而得到 $\hat{X(k+1|k+1)}$ ：

$Z(k+1|k)=Z(k+1)-\hat{Z(k+1|k)}$

$=H(k+1)X(k+1)+V(k+1)-H(k+1)\hat{X(k+1|k)}$

=H(k+1)X(k+1|k)+V(k+1)

式中的 $X(k+1|k)=X(k+1)-\hat{X(k+1|k)}$ 是状态 X(k+1) 的预测估计误差。不难看出，误差主要由以及 Z(k+1) 的观测误差项 V(k+1) 构成。一般来讲 Z(k+1|k) 的维数与 X(k+1) 的维数不同，因而也不能直接使用来修正 $\hat{X(k+1|k)}$ 。同样，由于采用的是线性最小方差估计，因此跟最优预测一样，我们使用加权的方法来修正，同样引入一个待定的最优滤波增益矩阵 K(k+1) ，此时我们可以获得 X(k+1) 的线性最小方差估计 $\hat{X(k+1|k+1)}$ ：

$\hat{X(k+1|k+1)} = \hat{X(k+1|k)} + K(k+1)Z(k+1|k)$

也就是：

$\hat{X(k+1|k+1)} = \hat{X(k+1|k)} + K(k+1)[Z(k+1)-H(k+1)\hat{X(k+1|k)}] \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ (2.2)$

也可以写为：

$\hat{X(k+1|k+1)} = \hat{X(k+1|k)} + K(k+1)[H(k+1)X(k+1|k) + V(k+1)]$

下面我们来求最优增益滤波矩阵 K(k+1) 。由正交定理， X(k+1) 的滤波估计误差：

$X(k+1|k+1) = X(k+1)-\hat{X(k+1|k+1)}$

$=X(k+1)-\hat{X(k+1|k)} - K(k+1)[H(k+1)X(k+1|k) + V(k+1)]$

=X(k+1|k)-K(k+1)H(k+1)X(k+1|k)-K(k+1)V(k+1)

应与观测值 Z(k+1) 正交，也就是：

E[X(k+1|k+1)Z(k+1)^T]=0

即：

$E\left \{ [X(k+1|k)-K(k+1)H(k+1)X(k+1|k)-K(k+1)V(k+1)][H(k)X(k+1)+V(k+1)]^T \right \}$

最低0.47元/天解锁文章

jasper_sun

关注

5
点赞
踩
17

收藏

觉得还不错? 一键收藏
2
评论
卡尔曼最优预测以及最优滤波方程的相关推导--最优滤波篇

上一篇帮大家回忆了相关数学基础，介绍了相关问题背景以及最优预测方程的推导，本篇将开启卡尔曼最优滤波方程的推导。同时，在本篇的最后会给出两个详细的实际应用的例子帮助大家理解应用卡尔曼最优滤波。一、问题的提法对于线性离散系统，其状态空间描述为：在最优滤波篇...
复制链接

扫一扫