三、卡尔曼滤波

[线性离散系统的卡尔曼滤波]

  动态模型  设一n维线性动态系统与p维线性观测系统分别由下面的差分方程描述:

               

                             

或引入相应的符号简单地记作

                                                        (1)

                                                           (2)

其中(k为整数)满足

              

x(t)n维状态矢量,(t)m维动态噪声矢量,z(t)p()观测矢量,v(t)p()观测噪声矢量;矩阵,称为动态噪声矩阵,H(t)矩阵,称为观测矩阵,非奇异矩阵,称为系统的转移矩阵,具有下列性质∶

(i)    (对于一切t,其中I为单位矩阵)

   (ii)   (对于任意的)

            (iii)    

     线性最小方差估计  如果从动态模型确定在时刻系统的状态的估值时,满足下述条件:

 (i)  估值是观测值的线性函数;

    (ii)  =最小值,其中是估计误差;那末这个估值称为线性最小方差估计。

设通过p维线性观测系统(2),从第1时刻到第k时刻,对n维线性动态系统(1)的状态作了k次观测,根据这k个观测数据,对第j时刻的状态进行的估计为 ,估计误差为,把估计的均方误差记作。当时,称为预报或外推,当时,称为内插。特别当j=k称为滤波,并简记

      卡尔曼滤波公式  设在上述动态模型中,动态噪声与观测噪声是互不相关的零均值白噪声序列;即对所有k,j

均值 ,均方差 

      ,        

                      

又设初始状态的统计特征为

             

都不相关,即

             

那末的最优线性滤波可由下式递推计算

            

其初值;又其中

        

         

     

称为加权矩阵或增益矩阵,为最优估值误差的协方差矩阵,括号中的I表示单位矩阵,最后一个方程称为协方差更新方程。

   这时最优线性预报(外推)估值为

                          (j>k)

   [连续时间系统的卡尔曼滤波]

  动态模型设状态方程是

                                                        (1)

观测方程是

          

式中n维矢量型的随机过程,p矢量型的随机过程。分别是m()和p维矢量型的、均值为零的互不相关的白噪声过程,即

                

                

                

                

式中Q(t)R(t)都是对时间t连续可微的、对称和非负定矩阵;是狄拉克函数。又F(t)G(t)H(t)分别是矩阵,其元素为t的非随机函数或常数。

      线性最小方差估计  设已知(由观测得到)的值(),求由公式

              

所表示的的线性估值,使得

    =最小值

这样的估值称为线性最小方差估计,其中滤波因子矩阵,它的每个元素对两个自变量都是连续可微的。

  卡尔曼滤波方程  假设上述动态模型满足下列条件:

    (i)  矩阵R(t)对于一切t是正定的;

(ii) 在u(t)的作用下,动态系统(1)达到稳定状态,即x(t)是由

             

确定的随机函数;

(iii) 在某个确定的时刻,被测量和在时刻的方差             已知的;

那末动态模型的最优滤波方程是

          

式中

                (加权矩阵方程)

                           (2)

                                                      (黎卡提方程(见第十三章§1))

初始条件为

                        

                      

上式中称为加权矩阵,为最优估值误差的协方差矩阵。

    特别,当为矢量型的平稳随机过程时,可在(2)中令,解出