南京航空航天大学
本科实验报告
姓名
学号
专业
实验项目名称
指导教师及职称
2015年3月
卡尔曼滤波上机实验
实验内容：
通过MATLAB 编程采用卡尔曼滤波算法实现对状态的最佳估计。给出系统方程和测量方程通过编程计算状态估值结果并绘制仿真曲线、分析仿真结果。
,1111k k k k k k X X W φ----=+Γ
k k k k Z H X V =+
一、实验原理
由此可得：
二、确定算法初值。
N=300; 采样个数
w(1)=12; 系统噪声初值 11
k k k k k k
X X W Z X V --=Φ+Γ=H +11k k k k k k X X W Z X V --=+=+两者对比可得 I
Φ=Γ=H =(){}(){},15,110
I E X Var X Φ=Γ=H ===()()()()
,11/1,11111/1//111/1,11/1/111
/1/1/1/1/1/1(110})
?15???()????T T
k k k k k k k k k T T k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k k P P Q P K P P R X X X K P Q P H H P H R X X X K X z X z H φφ-------------------------=+ ===+ΓΓ=+=Φ +=+ ??=+-=??-1/1///1
1()()k k k k k k k k k k k I K H P I K P P ----??=??
--=()()()()
/11/111
/1/1/1/11/1//1
(110})
????15
()k k k k k k k k k k k k k k k k k k k k k k k k P P Q P K P P R X X K z X X P I K P ------------=+ ==+??=+-=?=- ?
x(1)=15; 系统状态初值
phi=2; 系统状态矩阵
h=3; 系统测量矩阵
p(1)=8；预测误差方差阵初值
xmao(1)=15; 状态估值初值
w = randn(1,N)*0.5;
v = randn(1,N)*1;
三、叙述卡尔曼滤波的具体算法并画出流程图：
四、实验结果
根据x(k)画出估计的x(k)的波形如下图所示：
五、在matlab上的卡尔曼滤波算法程序
clc
clear
N=300;
w(1)=12;
x(1)=15;
phi=1;
h=1;
w = randn(1,N)*0.5;
v = randn(1,N)*1;
for k=2:N
x(k)=phi*x(k-1)+w(k-1);
z(k)=h*x(k)+v(k);
end
p(1)=8;
xmao(1)=15;
for k=2:N;
q=cov(w(1:k));
r=cov(v(1:k));
p1(k)=phi.^2*p(k-1)+q;
K(k)=h*p1(k)/(h.^2*p1(k)+r);
xmao(k)=phi*xmao(k-1)+K(k)*(z(k)-phi*h*xmao(k-1)); p(k)=p1(k)-h*K(k)*p1(k);
end
t=1:N;
plot(t,xmao,'r',t,z,'g',t,x,'b');
legend('kalman estimate','ovservations','truth');
六、结果与讨论
通过上述实验可以看出，采用卡尔曼滤波方法，可以有效地去除测量值中的随机误差，从而得到更精确的实验结果。
卡尔曼滤波器是以最小均方误差为原则的最佳线性滤波器，根据前一个估计值和最近一个观察数据来估计信号的当前值，需要已知系统的状态方程和量测方程，它的解是以估计值的形式给出的。它还采用实用的递推算法,成功地将状态变量法引入到滤波理论中来,不要求保存过去的测量数据,新数据测量后,根据新的数据和前一时刻的估值,借助系统本身的状态转移方程,按着一套递推公式, 即可算出新的估值。
卡尔曼滤波的局限性表现在只能用于线性的信号过程，即状态方程和观测方程都是线性的随机系统，而且噪声必须服从高斯分布。虽然不少实际问题都可满足这些限制条件，但当实际系统的非线性特性稍强或者噪声特性偏离高斯分布较大时，卡尔曼滤波就不能给出符合实际的结果。
经典卡尔曼滤波 动态系统的卡尔曼滤波数学模型包括状态方程和观测方程，对于线性系统，其离散形式为 X k = Φk ,k?1X k?1+ G k?1W k?1 L k = H k X k + V k 其中，X k 为系统在t k 时刻的n ×1维状态向量，Φk ,k?1为系统从t k?1时刻到t k 时刻的n ×n 维状态转移矩阵，W k?1为t k?1时刻的r ×1动态噪声，G k?1为t k?1时刻的n ×r 动态噪声矩阵，L k 为系统在t k 时刻的m ×1维观测向量，H k 为系统在t k 时刻的m ×n 维观测矩阵，V k 为系统在t k 时刻的m ×1维观测噪声。 根据最小二乘原则，可推得卡尔曼滤波递推公式为： 1）状态向量一步预测值为 X k ,k ?1 =Φk ,k?1X k ?1,k ?1 2）状态向量一步预测值方差矩阵为 P k ,k ?1 = Φk ,k?1P k ?1,k ?1 Φk ,k?1T +G k?1Q k?1G k?1T 其中，Q k 为动态噪声方差矩阵。 3）状态向量估计值为 X k ,k = X k ,k ?1 +J k L k ? H k X k ,k ?1 4）状态向量估计值方差矩阵为 P k ,k = I ? J k H k P k ,k ?1 其中，J k 为滤波增益矩阵，具体形式如下 J k = P k ,k ?1 H k T H k P k ,k ?1 H k T + R k ?1 R k 为观测噪声方差矩阵。 基于方差补偿的自适应卡尔曼滤波 假定 W k 和 V k 是正态序列，X 0是正态向量。则定义l 步预测残差是 V k +l = L k +l ? L k +l ,k 其中，L k +l ，L k +l ,k 分别为第k +l 期观测值和它的最佳观测值L k +l ,k = H k +l Φk +l ,k X k ,k ，则V k +l 为正态向量。V k +l 的方差阵S vv 为： S vv = H k +l Φk +l,k P k Φk +l ,k T H k +l T +R k +l + H k +l Φk +l ,k +i l i =1 G k +l ,k +i?1Q k +i?1G k +l ,k +i?1T Φk +l ,k +i T H k +l T
Kalman Filter Xianling Wang July23,2016v1.0 目录 一、简介2 二、线性卡尔曼滤波方法2 2.1滤波方法描述 (2) 2.2滤波过程的其他细节 (3) 三、后记4
一、简介 卡尔曼滤波器（Kalman Filter）的核心功能是对观测值进行优化，尽可能降低误差的影响，使其更加贴近系统的实际值。 二、线性卡尔曼滤波方法 2.1滤波方法描述 假设系统在t时刻的状态由x t描述，x t包含了若干个变量，因此以向量的形式出现。同时假设系统状态相对于时间变化的机理是可知的，由式（1）描述，即 x t+1=F t x t+B t u t+w t(1)其中，F t为状态转移矩阵，描述t时刻状态对t+1时刻状态的影响程度；u t表示外界控制因素；B t为控制矩阵，描述外界控制因素对t+1时刻状态的影响程度；w t表示不可控的过程噪声，假设其协方差矩阵为Q t。式（1）所描述的关系是线性的，因此对其误差消除的滤波方法称为线性卡尔曼滤波方法。 假设对系统状态的观测是间接的，而且存在一定误差，即 z t=H t x t+v t(2)其中，z t为所用观测工具可以观测到的直接变量，不一定等同于系统状态中的变量，但却是和系统状态中的变量存在一定线性关系的变量；H t描述直接观测变量和系统状态变量之间的线性关系；v t表示观测误差，假设其协方差矩阵为R t。 虽然t时刻的观测值都是带有误差的，但由于系统状态相对于时间变化的机理是可知的，因此结合t?1时刻的某些信息可以削减该误差，提升t时刻观测值的精确度，得到t时刻的最优估计值，该估计值相对实际值的误差协方差为P t。 为了获得t时刻系统状态的最优估计值，线性卡尔曼滤波器需要以下3个方面的信息： 1.t?1时刻的最优估计值?x t?1； 2.t?1时刻最优估计值相对于实际值的误差协方差P t?1； 3.t时刻的观测值z t； 在获知这些信息的条件下，t时刻系统状态的最优估计值可以依据以下5个公式逐步获得：
Kalman_Filter(float Gyro,float Accel) { Angle+=(Gyro - Q_bias) * dt; Pdot[0]=Q_angle - PP[0][1] - PP[1][0]; Pdot[1]= - PP[1][1]; Pdot[2]= - PP[1][1]; Pdot[3]=Q_gyro; PP[0][0] += Pdot[0] * dt; PP[0][1] += Pdot[1] * dt; PP[1][0] += Pdot[2] * dt; PP[1][1] += Pdot[3] * dt; Angle_err = Accel - Angle; PCt_0 = C_0 * PP[0][0]; PCt_1 = C_0 * PP[1][0]; E = R_angle + C_0 * PCt_0; K_0 = PCt_0 / E; K_1 = PCt_1 / E; t_0 = PCt_0; t_1 = C_0 * PP[0][1]; PP[0][0] -= K_0 * t_0; PP[0][1] -= K_0 * t_1; PP[1][0] -= K_1 * t_0; PP[1][1] -= K_1 * t_1; Angle += K_0 * Angle_err; Q_bias += K_1 * Angle_err; Gyro_x = Gyro - Q_bias; } 首先是卡尔曼滤波的5个方程： -=--+（1）先验估计 X k k AX k k Bu k (|1)(1|1)() -=--+（2）协方差矩阵的预测(|1)(1|1)' P k k AP k k A Q
卡尔曼滤波算法总结-标准化文件发布号：（9556-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
2015.12.12 void Kalman_Filter(float Gyro,float Accel) { Angle+=(Gyro - Q_bias) * dt; Pdot[0]=Q_angle - PP[0][1] - PP[1][0]; Pdot[1]= - PP[1][1]; Pdot[2]= - PP[1][1]; Pdot[3]=Q_gyro; PP[0][0] += Pdot[0] * dt; PP[0][1] += Pdot[1] * dt; PP[1][0] += Pdot[2] * dt; PP[1][1] += Pdot[3] * dt; Angle_err = Accel - Angle; PCt_0 = C_0 * PP[0][0]; PCt_1 = C_0 * PP[1][0]; E = R_angle + C_0 * PCt_0; K_0 = PCt_0 / E; K_1 = PCt_1 / E; t_0 = PCt_0; t_1 = C_0 * PP[0][1]; PP[0][0] -= K_0 * t_0; PP[0][1] -= K_0 * t_1; PP[1][0] -= K_1 * t_0; PP[1][1] -= K_1 * t_1; Angle += K_0 * Angle_err; Q_bias += K_1 * Angle_err; Gyro_x = Gyro - Q_bias; }
首先是卡尔曼滤波的5个方程： (|1)(1|1)() X k k AX k k Bu k -=--+（1）先验估计 (|1)(1|1)'P k k AP k k A Q -=--+（2）协方差矩阵的预测 ()(|1)'/(|1)')Kg k P k k H HP k k H R =--+（3）计算卡尔曼增益 (|)(|1)()(()(|1))X k k X k k Kg k Z k HX k k =-+--（4）进行修正 5个式子比较抽象，现在直接用实例来说： 一、卡尔曼滤波第一个式子 对于角度来说，我们认为此时的角度可以近似认为是上一时刻的角度值加上上一时刻陀螺仪测得的角加速度值乘以时间，因为d dt θω=?，角度微分等于时间的微分乘以角速度。但是陀螺仪有个静态漂移（而且还是变化的），静态漂移就是静止了没有角速度然后陀螺仪也会输出一个值，这个值肯定是没有意义的，计算时要把它减去。 由此我们得到了当前角度的预测值Angle Angle=Angle+(Gyro - Q_bias) * dt; 其中等号左边Angle 为此时的角度，等号右边Angle 为上一时刻的角度，Gyro 为陀螺仪测的角速度的值，dt 是两次滤波之间的时间间隔，我们的运行周期是4ms 或者6ms 。 同时 Q_bias 也是一个变化的量。 但是就预测来说认为现在的漂移跟上一时刻是相同的，即 Q_bias=Q_bias 将上面两个式子写成矩阵的形式 1_0 1_0 Angle dt Angle dt Q bias Q bia o s Gyr -= + 得到上式，这个式子对应于卡尔曼滤波的第一个式子 (|1)(1|1)() X k k AX k k Bu k -=--+ (|)(|1) P k k I Kg k H P k k =--（（））（5）更新协方差阵
卡尔曼滤波简介及其算法实现代码 卡尔曼滤波算法实现代码（C，C＋＋分别实现） 卡尔曼滤波器简介 近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。 因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。 卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器 （What is the Kalman Filter?） 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.doczj.com/doc/b617772358.html,/~welch/media/pdf/Kalman1960.pdf。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就
卡尔曼滤波算法实现代码 C++实现代码如下： ============================kalman.h================= =============== // kalman.h: interface for the kalman class. // ////////////////////////////////////////////////////////////////////// #if !defined(AFX_KALMAN_H__ED3D740F_01D2_4616_8B74_8BF57636F2C0__IN CLUDED_) #define AFX_KALMAN_H__ED3D740F_01D2_4616_8B74_8BF57636F2C0__INCLU DED_ #if _MSC_VER > 1000 #pragma once #endif// _MSC_VER > 1000 #include
kalman(int x=0,int xv=0,int y=0,int yv=0); //virtual ~kalman(); }; #endif// !defined(AFX_KALMAN_H__ED3D740F_01D2_4616_8B74_8BF57636F2C 0__INCLUDED_) ============================kalman.cpp=============== ================= #include "kalman.h" #include
卡尔曼滤波简介及其算法实现代码（C++/C/MATLAB） 卡尔曼滤波器简介 近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。 因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。 卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器 （What is the Kalman Filter?） 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.doczj.com/doc/b617772358.html,/~welch/media/pdf/Kalman1960.pdf。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5 条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
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X k-1上的n×n 状态变换矩阵 B：作用在控制向量U k-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 P k－：为n×n 先验估计误差协方差矩阵 P k：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K k：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
自适应卡尔曼滤波 卡尔曼滤波发散的原因 如果卡尔曼滤波是稳定的，随着滤波的推进，卡尔曼滤波估计的精度应该越来越高，滤波误差方差阵也应趋于稳定值或有界值。但在实际应用中，随着量测值数目的增加，由于估计误差的均值和估计误差协方差可能越来越大，使滤波逐渐失去准确估计的作用，这种现象称为卡尔曼滤波发散。 引起滤波器发散的主要原因有两点： （1）描述系统动力学特性的数学模型和噪声估计模型不准确，不能直接真实地反映物理过程，使得模型与获得的量测值不匹配而导致滤波发散。这种由于模型建立过于粗糙或失真所引起的发散称为滤波发散。 （2）由于卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差将逐渐积累。如果计算机字长不够长，这种积累误差很有可能使估计误差方差阵失去非负定性甚至失去对称性，使滤波增益矩阵逐渐失去合适的加权作用而导致发散。这种由于计算舍入误差所引起的发散称为计算发散。 针对上述卡尔曼滤波发散的原因，目前已经出现了几种有效抑制滤波发散的方法，常用的有衰减记忆滤波、限定记忆滤波、扩充状态滤波、有限下界滤波、平方根滤波、和自适应滤波等。这些方法本质上都是以牺牲滤波器的最优性为代价来抑制滤波发散，也就是说，多数都是次优滤波方法。 自适应滤波 在很多实际系统中，系统过程噪声方差矩阵Q和量测误差方差阵R事先是不知道的，有时甚至连状态转移矩阵 或量测矩阵H也不能确切建立。如果所建立的模型与实际模型不符可能回引起滤波发散。自适应滤波就是这样一种具有抑制滤波发散作用的滤波方法。在滤波过程中，自适应滤波一方面利用量测值修正预测值，同时也对未知的或不确切的系统模型参数和噪声统计参数进行估计修正。自适应滤波的方法很多，包括贝叶斯法、极大似然法、相关法与协方差匹配法，其中最基本也是最重要的是相关法，而相关法可分为输出相关法和新息相关法。 在这里只讨论系统模型参数已知，而噪声统计参数Q和R未知情况下的自适应滤波。由于Q和R等参数最终是通过增益矩阵K影响滤波值的，因此进行自适应滤波时，也可以不去估计Q和R等参数而直接根据量测数据调整K就可以了。
卡尔曼滤波在单片机上的使用 2011-04-13 13:43:43| 分类：默认分类| 标签：|字号大中小订阅
#ifndef _KALMAN_H_ #define _KALMAN_H_ extern KalmanGain; //卡尔曼增益extern EstimateCovariance; //估计协方差extern MeasureCovariance; //测量协方差extern EstimateValue; //估计值extern void KalmanFilterInit( void ) ; extern KalmanFilter( Measure ); #endif #include "config.h" #include "math.h" KalmanGain; //卡尔曼增益EstimateCovariance; //估计协方差MeasureCovariance; //测量协方差EstimateValue; //估计值 void KalmanFilterInit( void ); extern float KalmanFilter( float Measure ); void KalmanFilterInit( void ) { EstimateValue = 0; EstimateCovariance = 0.1; MeasureCovariance = 0.02; }
KalmanFilter( Measure ) { //计算卡尔曼增益 KalmanGain = EstimateCovariance * sqrt( 1 / ( EstimateCovariance * EstimateCovariance + MeasureCovariance * MeasureCovariance ))；//计算本次滤波估计值 EstimateValue = EstimateValue + KalmanGain*（Measure –EstimateValue ）； //更新估计协方差 EstimateCovariance = sqrt(1 - KalmanGain) * EstimateCovariance; //更新测量方差 MeasureCovariance = sqrt(1 - KalmanGain) * MeasureCovariance; //返回估计值 return EstimateValue; }
Kalman 滤波算法 姓名：刘金强 专业：控制理论与控制工程 学号：2007255 ◆实验目的： （1）、掌握klman 滤波实现的原理和方法 （2）、掌握状态向量预测公式的实现过程 （3）、了解Riccati 差分方程实现的过程和新息的基本性质和过程的计算 ◆实验要求： 问题： F=[a1,a2,a3],其中a1=[1.0 0 0]的转置，a2=[0.3 1.0 0]的转置，a3=[0.1 0.2 0.4]的转置，x(0)=[3,-1,2]的转置；C=[b1,b2,b3],其中b1=[0.3 0.5]的转置，b2=[1,0.4]的转置，b3=[0.8 -0.7]的转置；V1(n)=[0 0 n1(n)sin(0.1n)]的转置，V2(n)=[n2(n) n3(n)];n1(n)为均值为零，方差为1的均匀分布白噪声;n2(n),n3(n)为均值为0，方差为0.1的均匀分布白噪声,n1(n),n2(n),n3(n)相互独立，试用卡尔曼滤波器算法估计x^(n). ◆实验原理： 初始条件： 1?(1)x =E{x(1)} K(1,0)=E{[x(1)- (1)x ][x(1)- (1)H x ]},其中(1)x =E{x(1)} 输入观测向量过程： 观测向量序列={y(1),…………y(n)} 已知参数： 状态转移矩阵F(n+1,n) 观测矩阵C(n) 过程噪声向量的相关矩阵1()Q n 观测噪声向量的相关矩阵2()Q n 计算：n=1,2,3,………………. G(n)=F(n+1,n)K(n,n+1) ()H C n 12[()(,1)()()]H C n K n n C n Q n --+ Kalman 滤波器是一种线性的离散时间有限维系统。Kalman 滤波器的估计性能是：它使滤波后的状态估计误差的相关矩阵P(n)的迹最小化。这意味着，kalman 滤波器是状态向量x(n)的线性最小方差估计。 ◆实验结果： ◆程序代码： （1）主程序
10.6 卡尔曼滤波器简介 本节讨论如何从带噪声的测量数据把有用信号提取出来的问题。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。如前所述，为了消除噪声，可以把 FIR滤波器或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。典型的线性估计器是离散时间维纳滤波器与卡尔曼滤波器。 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。这种滤波理论所追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。这与卡尔曼滤波（Kalman filtering）是很不相同的。卡尔曼滤波所追求的则是使均方误差最小的递推算法。 在维纳进行滤波理论研究并导出维纳-霍夫方程的十年以前，在1931年，维纳和霍夫在数学上就已经得到了这个方程的解。 对于维纳-霍夫方程的研究，20世纪五十年代涌现了大量文章，特别是将维纳滤波推广到非平稳过程的文章甚多，但实用结果却很少。这时正处于卡尔曼滤波问世的前夜。 维纳滤波的困难问题，首先在上世纪五十年代中期确定卫星轨道的问题上遇到了。1958年斯韦尔林（Swerling）首先提出了处理这个问题的递推算法，并且立刻被承认和应用。1960年卡尔曼进行了比斯韦尔林更有意义的工作。他严格地把状态变量的概念引入到最小均方误差估计中来，建立了卡尔曼滤波理论。空间时代的到来推动了这种滤波理论的发展。 维纳滤波与卡尔曼滤波所研究的都是基于最小均方误差准则的估计问题。 维纳滤波理论的不足之处是明显的。在运用的过程中，它必须把用到的全部数据存储起来，而且每一时刻都要通过对这些数据的运算才能得到所需要的各种量的估值。按照这种滤波方法设置的专用计算机的存储量与计算量必然很大，很难进行实时处理。虽经许多科技工作者的努力，在解决非平稳过程的滤波问题时，给出能用的方法为数甚少。到五十年代中期，随着空间技术的发展，这种方法越来越不能满足实际应用的需要，面临了新的挑战。尽管如此，维纳滤波理论在滤波理论中的开拓工作是不容置疑的，维纳在方法论上的创见，仍然影响着后人。 五十年代中期，空间技术飞速发展，要求对卫星轨道进行精确的测量。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练算法。1960年
卡尔曼，美国数学家和电气工程师。1930年5月 19日生于匈牙利首都布达佩斯。1953年在美国麻省理工学院毕业获理学士学位,1954年获理学硕士学位,1957年在哥伦比亚大学获科学博士学位。1957～1958年在国际商业机器公司(IBM)研究大系统计算机控制的数学问题。1958～1964年在巴尔的摩高级研究院研究控制和数学问题。1964～1971年到斯坦福大学任教授。1971年任佛罗里达大学数学系统理论研究中心主任，并兼任苏黎世的瑞士联邦高等工业学校教授。1960年卡尔曼因提出著名的卡尔曼滤波器而闻名于世。卡尔曼滤波器在随机序列估计、空间技术、工程系统辨识和经济系统建模等方面有许多重要应用。1960年卡尔曼还提出能控性的概念。能控性是控制系统的研究和实现的基本概念，在最优控制理论、稳定性理论和网络理论中起着重要作用。卡尔曼还利用对偶原理导出能观测性概念，并在数学上证明了卡尔曼滤波理论与最优控制理论对偶。为此获电气与电子工程师学会(IEEE)的最高奖──荣誉奖章。卡尔曼著有《数学系统概论》(1968)等书。 什么是卡尔曼滤波 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼
滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。 释文：卡尔曼滤波器是一种由卡尔曼（Kalman）提出的用于时变线性系统的递归滤波器。这个系统可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。 卡尔曼滤波的应用 斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器.卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑使用了这种滤波器. 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表.
3. TheKalmanfilterisapowerfulrecursivedatafusiontoolbasedonestimationtheory.Itworksas an estimator forastatevector containingoneor morerandomvariablesthat are assumedtobeGaussiandistributed. Theunderlyingprinciple ofaKalman filterisapredictor-correctorstructure.Inthepredictioncycle,thestatevectordynamicsaredescribedb yastatespacemodel. Thetransition from onestatetothenextoneatatimeisexpressedbyastatetransitionmatrixor,inthenonlinearcase,asanonli nearfunction.Assignedtothestatevectorisacovariancematrix,whichdescribesthestatisticaldispersi onoftherandomstatevectorcomponents.Thecovariancematrixalsorunsthroughthepredictioncycle ,wherethequalityofthestatespacemodelisdescribedbyanadditivenoisecomponent Q . AnimportantpreconditionforusingaKalmanfilteristhatatleastoneoftheelementsinthestatevectoris observableandthatthereisadditionalinformationavailablefortheobservedelement.Thisadditionali nformationcanconsistofe.g.measurementsorknownconstraintsandis combinedinameasurement vector. Theobservation is used forthecorrectioncycle(oralso:filterupdate).Leftmultiplicationofthepredictedstatevectorwiththeo bservationmatrix C yieldsavectorthatissubtractedfromthemeasurementvectortoobtainaresidual.A fterweightingbytheKalmangain,theresidualisaddedtothepredictedstatevectortoobtainafilteresti mate. TheKalmangainincludesthepredictionerrorcovarianceoftheobservedelementsinthestatevector andthemeasurement noise R .From the formulaforthecalculationoftheKalmangainitcan beseen thattheresidualwillbe weightedlessthehigherthemeasurementnoiseis.Inotherwords,iftheaccuracyofthepredictionishig h(lowcovariancevalues)comparedtothemeasurementnoise,theKalmanfilterwill “f ollow ”ratherth estatespacemodelthanthemeasurements.Iftheaccuracyofthepredictionislowbutthequality ofthemeasurementsishigh,theoppositecaseoccurs. AdetailedexplanationoftheKalmanfilteralgorithmanditscompletederivationcanbefoundin[LO90a],[LO90b]. a) LinearKalmanFilter Ifthestatetransitionandtheobservationarelinear,theKalmanfiltercanbedescribedbyasimplesetoff ormulas. Predictioncycle: x ?? =A ?x ?+ ? k +1 =A ?P +?A T +Q with x ?: n-elementstatevector A : n×nstatetransitionmatrix P : covarianceassignedtothestatevector Q : "drivingnoise" Kalmangainandresidual: (B.1.1) K =P ? · C T ??C ?P ? ?1 ?C +R ? k +1 k +1 ? k +1 ? res k +1 =y b (k +1)?C ?x ?k +1 with K : Kalman gain res : residual (B.1.2) y : m-elementmeasurementvector b Updatecycle: C : k +1 k P k T ?
1．什么是卡尔曼滤波器 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。卡尔曼是一个人的名字。 卡尔曼全名Rudolf Emil Kalman，1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文 《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。 简单来说，卡尔曼滤波器是一个 “optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。（所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。这是考查一个信号的两个不同方面的问题。 高斯白噪声：如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。） 好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平
Kalman滤波算法的特点： （1）由于Kalman滤波算法将被估计的信号看作在白噪声作用下一个随机线性系统的输出，并且其输入/输出关系是由状态方程和输出方程在时间域内给出的，因此这种滤波方法不仅适用于平稳随机过程的滤波，而且特别适用于非平稳或平稳马尔可夫序列或高斯-马尔可夫序列的滤波，所以其应用范围是十分广泛的。 （2）Kalman滤波算法是一种时间域滤波方法，采用状态空间描述系统。系统的过程噪声和量测噪声并不是需要滤除的对象，它们的统计特征正是估计过程中需要利用的信息，而被估计量和观测量在不同时刻的一、二阶矩却是不必要知道的。 （3）由于Kalman滤波的基本方程是时间域内的递推形式，其计算过程是一个不断地“预测-修正”的过程，在求解时不要求存储大量数据，并且一旦观测到了新的数据，随即可以算的新的滤波值，因此这种滤波方法非常适合于实时处理、计算机实现。 （4）由于滤波器的增益矩阵与观测无关，因此它可预先离线算出，从而可以减少实时在线计算量。在求滤波器增益矩阵时，要求一个矩阵的逆，它的阶数只取决于观测方程的维数，而该维数通常很小，这样，求逆运算是比较方便的。另外，在求解滤波器增益的过程中，随时可以算出滤波器的精度指标P，其对角线上的元素就是滤波误差向量各分量的方差。 Kalman滤波的应用领域 一般地，只要跟时间序列和高斯白噪声有关或者能建立类似的模型的系统，都可以利用Kalman滤波来处理噪声问题，都可以用其来预测、滤波。Kalman滤波主要应用领域有以下几个方面。 （1）导航制导、目标定位和跟踪领域。 （2）通信与信号处理、数字图像处理、语音信号处理。 （3）天气预报、地震预报。 （4）地质勘探、矿物开采。 （5）故障诊断、检测。 （6）证券股票市场预测。 具体事例： （1）Kalman滤波在温度测量中的应用； （2）Kalman滤波在自由落体运动目标跟踪中的应用； （3）Kalman滤波在船舶GPS导航定位系统中的应用； （4）Kalman滤波在石油地震勘探中的应用； （5）Kalman滤波在视频图像目标跟踪中的应用；