【数据结构与算法学习笔记001】Kalman滤波

最新推荐文章于 2024-06-18 15:05:28 发布

EE_LegendNing

最新推荐文章于 2024-06-18 15:05:28 发布

阅读量1.3k

点赞数 4

分类专栏： Algorithm 文章标签：算法数据结构 kalman 滤波

本文链接：https://blog.csdn.net/u014576936/article/details/89414123

版权

本文详细介绍了卡尔曼滤波的起源、原理、发展及应用。卡尔曼滤波是一种线性最小方差估计方法，常用于信号处理中的估计问题。尽管维纳滤波在某些方面存在局限，但卡尔曼滤波通过递推算法减少了存储和计算需求，适用于实时处理。卡尔曼滤波已被广泛应用于航空航天、GPS变形监测、汽车主动悬架系统等领域，并不断演进以应对非线性、不确定性和实时性挑战。作者通过实例解释了卡尔曼滤波的工作原理，强调了其在信息处理中的价值和学习的重要性。

摘要由CSDN通过智能技术生成

卡尔曼滤波

一、卡尔曼滤波的起源

谈到信号的分析与处理，就离不开滤波两个字。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内，为了消除噪声，可以把FIR滤波器或者IIR滤波器设计成合适的频带滤波器，进行频域滤波。但在许多应用场合，需要直接进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但其所依据的理论，即针对随机信号的估计理论，是自成体系的。人们对于随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。

最小均方误差是一种常用的比较简单的经典准则。对于平稳时间序列的最小均方误差估计的第一个明确解是维纳在1942年2月首先给出的。当时美国的一个战争研究团体发表了一个秘密文件，其中就包括维纳关于滤波问题的研究工作，这项研究是用于防空火力控制系统的。维纳滤波器是基于最小均方误差准则的估计器。为了寻求维纳滤波器的冲激响应，需要求解著名的维纳–霍夫方程。这种滤波理论所求的是使均方误差最小的系统最佳冲激响应的明确表达式。

从维纳–霍夫方程来看，维纳滤波算法是十分低效的。这种算法要求设置大量的存储器来保存过去的测量数据，一个新的数据到来后，要进行刷新，重新计算自相关和互相关序列。再者，求解这个方程需要耗费大量时间对高阶矩阵求逆。因此，维纳滤波算法难以运用于实时处理中，尤其是无法用于军事、航空航天等领域。

为此，许多科技工作者进行了多方探索，但在解决非平稳过程的滤波问题时，能给出的方法很少。到20世纪50年代中期，随着空间技术的发展，要求对卫星轨道进行精确地测量，这种方法越来越不能满足实际应用的需要。为此，人们将滤波问题以微分方程表示，提出了一系列适应空间技术应用的精炼算法。1960年和1961年，卡尔曼（R.E. Kalman）和布西（R.S. Bucy）提出了递推滤波算法，成功的将状态变量引入到滤波理论中来，用消息与干扰的状态空间模型代替了通常用来描述它们的协方差函数，将状态空间描述与离散数间刷新联系起来，适于计算机直接进行计算，而不是去寻求滤波器冲激响应的明确公式。这种方法得出的是表征状态估计值及其均方误差的微分方程，给出的是递推算法。这就是著名的卡尔曼理论。

卡尔曼滤波不要求保存过去的测量数据，当新的数据到来时，根据新的数据和前一时刻的储值的估计，借助于系统本身的状态转移方程，按照一套递推公式，即可算出新的估值。这一点说明卡尔曼滤波器属于IIR滤波器的范畴。这就是说，与维纳滤波器不同，卡尔曼滤波器能够利用先前的运算结果，再根据当前数据提供的最新消息，即可得到当前的估值。卡尔曼递推算法大大减少了滤波装置的存储量和计算量，并且突破了平稳随机过程的限制，使卡尔曼滤波器适用于对时变信号的实时处理。

二、卡尔曼滤波的原理

卡尔曼滤波的含义是现时刻的最佳估计为在前一时刻的最佳估计的基础上根据现时刻的观测值作线性修正。卡尔曼滤波在数学上是一种线性最小方差统计估算方法，它是通过处理一系列带有误差的实际测量数据而得到物理参数的最佳估算。其实质要解决的问题是要寻找在最小均方误差下的估计值。它的特点是可以用递推的方法计算，其所需数据存储量较小，便于进行实时处理。具体来