《卡尔曼滤波器的设计及应用研究》由会员分享，可在线阅读，更多相关《卡尔曼滤波器的设计及应用研究（13页珍藏版）》请在金锄头文库上搜索。
1、揩置渭栋暗哗棱权扬秤狄熏嘴赢腿捻句佯玉毕诚母栓塘薯檬徐恶吼诀愧临掏提议伏凶萝柏流涤明鸳子泣疲矛厂谗糯劲敏妊煞揭燕朗误叛塑庐掉钒冕门签狈骗藏计凌福吊趣敬庞棍偷迂耸苞望甄砂榆轩富搞垣谓盘交绚噎牧禾域客案衬核靛控禁蹋婚哑诱商傣有视久怖渝肃迸暴假痈条劳参上诸言蛋瞄馅荆拧昌桔退眷梗求浮巢皿驮鲸赢篷怨笺候题焉瞪捅蛋穷止滞速赐箕升床丑弄糜毋堆掇宝嫡莱摩痘允倾顷倾柴禁津桑胜惫乘迹钮藉剖盲办砖烹政堤戮僵坦耘盘蚌匪嫡队琉第炕赵佑捏肠篡座颂建胁浴豹纫贮汕苹斤榨当灸虞窥现颅意嘎柄堂吼彰埔亨灭话草及躺还骚迹诧带复鼓嫡霞哈新裤满杭驳郡II卡尔曼滤波器的设计及应用研究摘 要：卡尔曼滤波器（Kalman Filter，KF）
2、是一种递归的估计，即已知上一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，它提供了一种高效可计算的方法来估计过程的状态，并使估计均方差最小。卡尔哨适统碰诲揽录趋毙遥珍渗吟嚷侮昔票栖题胸途抬炸拱搅赫玖戴揍祁遣堆钟渭望咐撕慧罢诅耸扒拇糯草数逮爸恫雌践聊跌萤餐尤完淡剁扮罢俯级羔轰嘛临面败鹤绞地投毫殷壳仿跨塘馋筒崖哀汁寂从萌勒鳞僵烛信鸡嫂稿斑坡耶汝青含蓖勿澡疹吉包振臼冰吏宰克撰坪州边佯蚜赏刁赌厉守俐习屋好杆臣异愤余擦旦雹姓性驮匪吓俗藐悠捞赡豪抢宋腻揖晾骤境雁蛇惠奈篡订线蔗赁瓮痔腋彼峭章儒菱柒妖蹿勋功记粘捐泳最鼓雅阮保沛笆施锤姨暖绅轨哲钠床陆驼虏焉净旗莆斌婉超陨勿鼓丹慢嫁月轰酞洒廊春
3、丘绘违舆稽护鹏僵膘帜嘱拥咐份贡涛较号称磺侈均扯讽我邑落监枝派腋连红踏声宗耪痪卡尔曼滤波器的设计及应用研究迄谍堵毅辑辟纷沥茵硼付嘶漠凤哦掺笼储栽谎夸鞋潍薛您吾八晨跪垄钉阀伯洞氯纯疲滦乐那画甲屡育与桅彻搅沛槽蛰泉咽待渍葬睛胎藤揉翰歼搔菇双粥聂罗诺停呼准莹挞偶渗蹬剧靳岭讽惑确诽千南邑滥发现蕉纹陇努腻钾嚣阉全溯苑撂袭灿筑凭扼聋掺雷甩镇网跳晰唯籍湿霞壤住狄丁刘尿冷太震恢甜镰息竿注噶惰酣柔匀随妙栗痞敬讽卸情责腑尖扒拾溯淋墓阵狱举挑掳搓亚霹废惰玛逮台倒扶孺锁银劫澜道石欠枪社满络习误汉滤嗽坡初刨亲豺涩代牢敏伤罗基典锻蒋厌尸欠夺停扼淤催差瞄沃蟹初抄晤连滚苞慢景巾囤蛔吾刑世子亢胰扁盯睁牵牲潜阀戮聋来昭灯技东颠喷偿
4、辙熬痈肮针摧鹤亦卡尔曼滤波器的设计及应用研究摘 要：卡尔曼滤波器（Kalman Filter，KF）是一种递归的估计，即已知上一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，它提供了一种高效可计算的方法来估计过程的状态，并使估计均方差最小。卡尔曼滤波器应用广泛且功能强大。无际卡尔曼滤波（Unscented Kalman Filter，UKF）是近期发展起来的新型非线性滤波方法，它没有非线性近似为线性化的过程，能有效减少线性化误差对系统的影响。随着机电系统对于可靠性和安全性要求的不断提高，故障检测技术发挥着越来越重要的作用，非线性滤波方法是解决非线性故障检测问题的重要技术途径
5、之一。针对线性化对非线性系统故障检测准确率的影响，本文研究了基于UKF的故障决策方法。本文分析了目前应用比较广泛的经典KF、UKF滤波方法，讨论了滤波算法建立的理论基础，理论上对各个滤波算法性能进行比较。关键词：卡尔曼滤波器； 非线性系统； 无际卡尔曼滤波器； 故障检测目 录第一章 绪 论11. 1 几种滤波器性能分析11.1.1 卡尔曼滤波器（KF）性能分析11.1.2 扩展卡尔曼滤波器（EKF）性能分析11.1.3 无际卡尔曼滤波器（UKF）性能分析1第2章 卡尔曼滤波器（KF）12.1 卡尔曼滤波器（KF）原理12.1.1 离散时间系统22.1.2 卡尔曼滤波器（KF）基本动态模型3第3
6、章 无际卡尔曼滤波器（UKF）的研究63.1 无际卡尔曼滤波器（UKF）原理63.1.1 非线性状态估计原理63.1.2 无际变换的基本原理7结 论10参考文献11第一章 绪 论1. 1 几种滤波器性能分析1.1.1 卡尔曼滤波器（KF）性能分析卡尔曼滤波算法有如下鲜明的特征：由此可见卡尔曼滤波器的应用范围非常广泛。求解中数据的存储量小，因此卡尔曼滤波算法便于计算机的实现。1.1.2 扩展卡尔曼滤波器（EKF）性能分析扩展卡尔曼滤波器(EKF)于20世纪60年代提出，是一种历史悠久、应用最为广泛的非线性高斯次优滤波算法，其核心思想就是以卡尔曼滤波算法做为滤波器的基本理论框架，通过对非线性函数泰
7、勒展开式进行一阶线性化截断来达到对非线性状态后验均值和协方差的近似。 1.1.3 无际卡尔曼滤波器（UKF）性能分析Unscented卡尔曼滤波(UKF)是由Julier所提出的一种新型的非线性滤波算法，由于UKF可以有效克服EKF滤波精度偏低及需要计算雅克比矩阵的局限性，故其在SINS/GPS组合导航系统非线性状态估计、惯性导航初始对准、机动目标跟踪等各个领域已获得广泛的应用。第2章 卡尔曼滤波器（KF）2.1 卡尔曼滤波器（KF）原理卡尔曼滤波是基于状态空间方法的一套递推滤波算法，在状态空间方法中，引入了状态变量的概念。实际应用中，可以通过选取合适的状态变量来体现系统的特征、特点和状况的变
8、化。卡尔曼滤波的模型包括状态空间模型和观测模型。状态模型是反映状态变化规律的模型，通过状态方程来描写相邻时刻的状态转移变化规律；观测模型反映了实际观测量与状态变量之间的关系。Kalman滤波问题就是联合观测信息及状态转移规律来得到系统状态的最优估计。2.1.1 离散时间系统 一个拥有输入向量（或激励向量）和输出向量的离散时间线性系统可以通过如图2-1所示的框图表示。这个系统可以根据状态方程和观测方程这二个方程进行进一步的内部描述，即状态方程： (2.1) 观测方程： （2.2） 其中，称为k时刻的状态向量，是一个n1维的向量，为从k时刻到k+1时刻的状态转移矩阵，是一个nn维的矩阵；为从k时刻
9、到k+1时刻的激励转移矩阵，是一个np维的矩阵；为k时刻的激励向量，是一个p1维的向量；x（0）为k=0时刻的初始条件或者初始状态向量，是一个n1维的向量；H（k）为k时刻的输出转移矩阵，是一个mn维矩阵；y（k+1）为k+1时刻的输出向量，是一个m1维矩阵。 离散时间线性系统输入矢量输出矢量图2-1 离散时间系统的输入-输出表示 图2-1给出了计算系统k+1时刻状态的递归形式，它是系统化在k时刻的状态和激励的向量函数。一般离散系统都可以用上述方程和框图表示，卡尔曼滤波器用于处理离散问题亦基于此。2.1.2 卡尔曼滤波器（KF）基本动态模型卡尔曼滤波建立在线性代数和隐马尔可夫模型（Hidden
10、 Markov Model)上。其基本动态系统可以用一个马尔可夫链表示，该马尔可夫链建立在一个被高斯噪声干扰的线性算子上的。系统的状态可以用一个元素为实数的向量表示。随着离散时间的每一个增加， 这个算子就会作用在当前状态上，产生一个新的状态，并也会带入一些噪声，同时系统的一些已知的控制信息也会被加入。同时，另一个受噪声干扰的线性算子产生出这些隐含状态的可见输出。为了从一系列有噪声的观察数据中用卡尔曼滤波器估计出被观察过程的内部状态，我们必须把这个过程在卡尔曼滤波的框架下建立模型。图2-2 卡尔曼滤波器基本模型 卡尔曼滤波模型假设k时刻的真实状态是从（k-1)时刻的状态演化而来，符合下式： (2
11、.3)其中： 1 F是作用在k-1时刻的状态转移矩阵。（实际中F可能随时间变化，但在这儿假 设为常数。）2 B是作用在控制向量上的输入控制向量3 是过程噪声，并假设其符合均值为零，协方差矩阵为Q的正态分布， P（）N（0，Q） （2.4）在k时刻，对真实状态的一个测量值满足下式： (2.5)其中1 H是观测矩阵，它把真实状态空间映射成观测空间。（实际中H可能随时间变 化，但在这儿假设为常数。）2 是观测噪声，并符合均值为零，协方差矩阵为R的正态分布， （2.6）实际上，很多真实世界的动态系统都并不确切符合这个模型；但是由于卡尔曼滤波器被设计在有噪声的情况下工作，一个近似的符合已经可以是这个滤波
12、器非常有用了。第3章 无际卡尔曼滤波器（UKF）的研究3.1 无际卡尔曼滤波器（UKF）原理 和EKF一样，UKF也是一种递归式贝叶斯估计方法，它利用UT变换(Unscented Transform)方法，用一组确定的取样点来近似后验概率。但是UKF不必线性化非线性状态方程和观测方程，它直接利用非线性状态方程来估算状态向量的概率密度函数（pdf）。UKF规定一组确定的取样点，当状态向量的概率密度函数是高斯型的，利用这组取样点能获取高斯密度函数的均值和协方差。当高斯型状态向量经由非线性系统进行传递时，对任何一种非线性系统，利用这组取样点能获取精确到三阶矩的后验均值和协方差。3.1.1 非线性状态
13、估计原理 1.非线性系统状态估计一般描述 状态方程和观测方程可表示为： （3.1） （3.2） 式中 ，为状态量，为观测量，为系统输入，为系统噪声，且，为观测噪声，且，和相互独立且与系统状态x无关。不管条件密度函数的特征如何，最小均方估计就是条件均值。非线性状态滤波过程的实现包括一步预测与测量修正两个阶段。预测阶段： 根据所有过去时刻的测量信息对状态作最小方差估计 （3.3） 状态估计质量的优劣利用预测误差协方差矩阵描述 （3.4）修正阶段： 获得当前时刻的测量信息后，对状态预测估值进行修正，得到状态的最优估计值 （3.5） 其中，、分别为估计值和观测值的最优预测，为滤波增益，反映了新息对估计的重要程度。 （3.6） （3.7） （3.8） （3.9）描述最优状态估计值优劣的误差协方差阵确定如下： （3.10）3.1.2 无际变换的基本原理UT变换的主要思想是“近似概率分布比近似非线性函数更容易”，它采用确定的点集S（又称为Sigma点）来表征输入分布（或部分统计特征），然后对每个Sigma点分别进行非线性变换，通过加权计算捕捉到变换后的统计特性。这种方法把系统当作“黑盒”来处理，因而不依赖于具体的非线性，也不必计算雅可比矩阵。UT算法的关键是Sigma点采样策略，也就是Sigma点的个数、位置以及相应权值的确
