卡尔曼滤波的基本原理及应用

卡尔曼滤波的基本原理及应用卡尔曼滤波在信号处理与系统控制领域应用广泛，目前，正越来越广泛地应用于计算机应用的各个领域。为了更好地理解卡尔曼滤波的原理与进行滤波算法的设计工作，主要从两方面对卡尔曼滤波进行阐述：基本卡尔曼滤波系统模型、滤波模型的建立以及非线性卡尔曼滤波的线性化。最后，对卡尔曼滤波的应用做了简单介绍。卡尔曼滤波属于一种软件滤波方法，其基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。最初的卡尔曼滤波算法被称为基本卡尔曼滤波算法，适用于解决随机线性离散系统的状态或参数估计问题。卡尔曼滤波器包括两个主要过程：预估与校正。预估过程主要是利用时间更新方程建立对当前状态的先验估计，及时向前推算当前状态变量和误差协方差估计的值，以便为下一个时间状态构造先验估计值；校正过程负责反馈，利用测量更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。这样的一个过程，我们称之为预估－校正过程，对应的这种估计算法称为预估－校正算法。以下给出离散卡尔曼滤波的时间更新方程和状态更新方程。时间更新方程：状态更新方程：在上面式中，各量说明如下：A：作用在Xk-1上的n×n状态变换矩阵B：作用在控制向量Uk-1上的n×1输入控制矩阵H：m×n观测模型矩阵，它把真实状态空间映射成观测空间Pk－：为n×n先验估计误差协方差矩阵Pk：为n×n后验估计误差协方差矩阵Q：n×n过程噪声协方差矩阵R：m×m过程噪声协方差矩阵I：n×n阶单位矩阵Kk：n×m阶矩阵，称为卡尔曼增益或混合因数随着卡尔曼滤波理论的发展，一些实用卡尔曼滤波技术被提出来，如自适应滤波，次优滤波以及滤波发散抑制技术等逐渐得到广泛应用。其它的滤波理论也迅速发展，如线性离散系统的分解滤波（信息平方根滤波，序列平方根滤波，UD分解滤波），鲁棒滤波（H∞波）。非线性样条自适应滤波：这是一类新的非线性自适应滤波器，它由一个线性组合器后跟挠性无记忆功能的。涉及的自适应处理的非线性函数是基于可在学习期间被修改一个样条函数。样条控制点使用的梯度为基础的技术自适应地变更。B样条和卡特莫尔，罗花键的使用，因为它们允许强加控制参数进行简单的限制。这种新型的自适应功能的，然后应用到一个线性自适应滤波器的输出并它用于维纳型非线性系统的鉴别。此外，得出的适应算法的简单形式与上限上步长的选择。一些实验结果也提交证明了该方法的有效性。亮点:►提出了一种基于样条曲线的非线性函数的非线性滤波方法。►所提出的方法可以解决非线性维纳系统的鉴定。►所提出的方法比基于Volterra滤波器等方法。►建议的方法的特点是收敛速度快。►推导出一个上界学习率的选择。鲁棒卡尔曼滤波：通过使用该方法既扩展卡尔曼滤波和U卡尔曼滤波被修改，新的算法，这是对测量故障稳健，分别被称为强大的扩展卡尔曼滤波和强大的无味卡尔曼滤波。多个比例因子基于自适应方案是优选，用于适配所述过滤器，从而有故障传感器只有数据被缩放，并且防止任何不必要的信息的损失。参考文献：1.卡尔曼滤波的基本原理及应用_彭丁聪[J]，软件导刊，2009.11.302.Nonlinearsplineadaptivefiltering,MicheleScarpiniti,DaniloComminiello,RaffaeleParisi,AurelioUncini，SignalProcessing,2013,Vol.93(4)3.RobustKalmanfilteringforsmallsatelliteattitudeestimationinthepresenceofmeasurementfaults,HalilErsinSoken,ChingizHajiyev,Shin-ichiroSakai,EuropeanJournalofControl,2013