卡尔曼滤波与组合导航课程实验报告

卡尔曼滤波与组合导航原理pdf
1 卡尔曼滤波和组合导航原理
卡尔曼滤波（Kalman filtering）是一种广泛应用于机器人技术、控制工程、通信科学、经济学等多个领域的一种小波处理技术。

卡尔
曼滤波是一种采用双向更新的状态估计算法，具有自适应性和准确度。

因此，卡尔曼滤波在导航定位、控制与优化等领域得到了广泛的应用。

组合导航的原理是通过混合不同种类的测量模式，克服个别模式
的局限性，实现更加可靠的导航定位。

它通过四轴机载飞行控制系统、空降定位系统、气溶胶吸收系统、惯性导航系统等不同的传感技术和
测量原理，实现更精确和可靠的导航定位。

同时，组合导航系统可以利用运动学位置确定性的抗差特性，利
用卡尔曼滤波，将运动学观测与动态运动方程校准，使系统在估计模
型的非线性变换和噪声的影响下，保持稳定运行，以达到精确定位的
目的。

因此，通过将卡尔曼滤波与组合导航原理联合起来的方式，组合
导航系统能够实现精确定位，并且更加可靠，具有自适应性和准确度。

另外，由于基于组合导航的定位精度对所采用的传感器类型不敏感，
因此也更具有灵活性，可以根据实际应用情况不断添加和发展新的传
感器。

卡尔曼滤波与组合导航原理卡尔曼滤波与组合导航原理卡尔曼滤波是一种常用于噪声系统的估计方法，被广泛应用于导航、通信、自动控制、图像处理以及机器学习等领域。

组合导航则是指使用多种导航传感器（如GPS、惯性导航、磁力计等）进行融合导航，以实现更精确的导航定位。

本文将围绕着这两个概念，从基础概念入手，逐渐深入，介绍其原理和应用。

一、简介卡尔曼滤波起源于20世纪60年代的美国，是由卡尔曼和贝鲁（R. E. Belman）等人提出的一种数据滤波和估计方法。

该方法适用于含有噪声干扰的线性系统，它通过权衡测量数据和模型预测结果，以最小化预测误差和测量误差之和，从而得出精确的状态估计值。

组合导航在军事、民航、航天等领域有着广泛的应用，通过融合多种导航系统的数据信息，就能够实现更加准确、可靠的导航定位。

在越来越多的领域中，组合导航成为一种不可或缺的技术手段，广泛运用于导航器材、飞行器、无人机、机器人、智能车等设备中。

二、卡尔曼滤波原理1.状态方程：状态方程描述了预测状态量的动态演变规律。

假设现在想要估计一个物体的位置p和速度v，那么状态方程可以表示为: X(k)=F(k-1)*X(k-1) + w(k-1)其中，X(k)表示在时间k的状态，F(k-1)表示状态在时间 (k-1) 和 k 之间转移的过程，w(k-1)表示噪声干扰项。

2.观测方程：观测方程描述了测量状态量的方程。

如果使用传感器测量物体的位置p和速度v，那么观测方程可以表示为：Z(k)=H(k)*X(k) + v(k)其中，Z(k)是在时间k通过传感器得到的观测值，H(k)是观测矩阵，v(k)是噪声干扰项。

3.基于卡尔曼滤波的状态估计：卡尔曼滤波根据状态方程和观测方程，将传感器测量的观测值与预测值进行融合，得出最终的状态估计值。

k-1时刻的估计值为：X^(k-1|k-1)k-1时刻的协方差矩阵为：P(k-1|k-1)k时刻的观测值为：Z(k)k时刻的观测噪声方差为：R(k)卡尔曼增益K(k)的计算：K(k)=P(k-1|k-1)*H(k)T / (H(k)*P(k-1|k-1)*H(k)T + R(k))速度误差和位置误差的更新：v(k)=Z(k) - H(k)*X^(k-1|k-1) , X^(k|k-1)=X^(k-1|k-1) + K(k)*v(k)协方差矩阵的更新：P(k|k-1)=(I - K(k)*H(k))*P(k-1|k-1)三、组合导航的实现组合导航的实现需要多传感器之间的配合和信息融合。

卡尔曼滤波实验报告2014 年 4 月GPS 静/动态滤波实验一、实验要求1、分别建立GPS 静态及动态卡尔曼滤波模型，编写程序对静态和动态GPS 数据进行Kalman 滤波。

2、对比滤波前后导航轨迹图。

3、画出滤波过程中估计均方差(P 阵对角线元素开根号)的变化趋势。

4、思考：① 简述动态模型与静态模型的区别与联系；② R 阵、Q 阵，P0阵的选取对滤波精度及收敛速度有何影响，取值时应注意什么；③ 本滤波问题是否可以用最小二乘方法解决，如果可以，请阐述最小二乘方法与Kalman 滤波方法的优劣对比。

二、实验原理2.1 GPS 静态滤波选取系统的状态变量为[ ]TL h λ=X ,其中L 为纬度(deg),λ为经度(deg)，h 为高度(m)。

设()w t 为零均值高斯白噪声，则系统的状态方程为：310()w t ⨯=+X(1)所以离散化的状态模型为：,111k k k k k W ---=+X X Φ(2)式中，,1k k -Φ为33⨯单位阵，k W 为系统噪声序列。

测量数据包括：纬度静态量测值、经度静态量测值和高度构成31⨯矩阵Z ，量测方程可以表示为：k k k Z HX V =+(3)式中，H 为33⨯单位阵，k V 为量测噪声序列。

系统的状态模型是十分准确的，所以系统模型噪声方差阵可以取得十分小，取Q 阵零矩阵。

系统测量噪声方差阵R 由测量确定，由于位置量测精度为5m ，采用克拉索夫斯基地球椭球模型，长半径e R 为6378245m ，短半径p R 为6356863m 。

所以R 阵为：2225180()005180()0cos()005p e R R L ππ⨯⎛⎫ ⎪⨯ ⎪ ⎪⨯= ⎪⨯⨯ ⎪ ⎪ ⎪⎝⎭R (4)2.2 GPS 动态滤波动态滤波基于当前统计模型，在地球坐标系下解算。

选取系统的状态变量为Tx x x y y y z z z X x v a y v a z v a εεε⎡⎤=⎣⎦,其中,,,x x x x v a ε依次为地球坐标系下x轴上的位置、速度、加速度和位置误差分量，,y z 轴同理。

2.2自动化仪表与系统运行过程中的安全防护措施（1）结合现场实际情况做好安全防护措施。

在自动化仪表中如果需要手轮操作进行控制，实际使用过程中不能用猛力操作手轮，在达到控制要求后，不得继续用力操作手轮。

巡检过程中，如果控制法手轮处于手动操作状态，则不可以随意操作，需要先获得操作资格，并有专业的监理人员监督作业。

同时，还要严格禁止非专业人员私自操作控制手轮，以避免造成安全事故。

（2）保证调整方法的科学性。

在自动化仪表与系统中，可能会出现工作异常的情况，需要检修调整后才能够投入正常使用。

调整工作需要由专业检修人员进行现场修理，其他人员不可私自拆卸。

同时，在调整过程中，针对精密元器件的操作要做好清洁防护，操作动作要轻缓。

在对精密元器件调整过程中，严格禁止在操作台上放置液体或重物，避免对其造成损坏。

此外，仪表及相关元器件上不能悬挂物品，对仪表及其内部元器件擦拭过程中，不得使用有机溶剂，应当使用中性洗涤剂或干净的湿布，清洁完成后需要用干布进行擦拭。

（3）保证参数调整的合理性。

在工业生产中，根据生产需求的不同，经常需要对自动化仪表参数进行调整，参数调整工作需要由专门人员负责，严格按照生产工艺要求，遵循相关程序进行参数调整。

工业生产中，自动化仪表的参数调整通常采取多级管理制度，尤其是生产车间的传感器、烟感器、可燃物检测仪器等，参数调整需要严格按照企业管理程序执行，避免造成安全生产事故。

（4）提高自动化仪表的抗干扰运行能力。

当前，工业生产运行中的各种生产设备都投入到生产过程中，其产生的电磁辐射对自动化仪表会产生一定干扰，尤其是高精度仪表对电磁干扰更为敏感。

很多自动化仪表的DCS与PLC系统在抗静电、电磁干扰方面的能力虽然有了大幅提升，但并不能完全不受干扰。

较强的电磁干扰会造成仪表数据的丢失或失准等，影响其使用安全性。

因此，相关工作人员需要严格遵守“仪表在15m之内，DCS和PLC设备在3m之内不可以使用对讲机、手机等设备”的规定，避免对仪表造成干扰。

《卡尔曼滤波与组合导航》课程实验报告实验捷联惯导 /GPS 组合导航系统静态导航实验实验序号 3姓名陈星宇系院专业17班级 ZY11172 学 号 ZY1117212日期2012-5-15指导教师宫晓琳成绩一、实验目的① 掌握捷联惯导 /GPS 组合导航系统的构成和基本工作原理； ② 掌握采用卡尔曼滤波方法进行捷联惯导/GPS 组合的基本原理；③ 掌握捷联惯导 /GPS 组合导航系统静态性能；④了解捷联惯导 /GPS 组合导航静态时的系统状态可观测性；二、实验原理（ 1）系统方程 X FX GWXTE NUvEvNvULhx y z x y z其中， E 、 N 、 U 为数学平台失准角；v E 、 v N 、 v U 分别为载体的东向、北向和天向速度误差；L 、 、 h 分别为纬度误差、经度误差和高度误差；x 、 y 、 z、x、y、z 分别为陀螺随机常值漂移和加速度计随机常值零偏。

（下标E 、 N 、 U 分别代表东、北、天）系统的噪声转移矩阵G 为：C b n03 3G03 3C b n9 39 315 6系统噪声矢量由陀螺仪和加速度计的随机误差组成，表达式为：wwwww wTzwxyxyz系统的状态转移矩阵F 组成内容为：F NF SC b n3 3 ，其中 F N 中非零元素为可由惯导误差模型获得。

F S03 3 C b n 。

F069FM03 3 03 39 6（ 2）量测方程量测变量 zV E V NV ULT，，V 、V 、V 、L 、HENU和 H 分别为捷联解算与 GPS 的东向速度、北向速度、天向速度、纬度、经度和高度之差；量测矩阵 H H V H P T03 6 diag R M H , (R N H )cos L,036 ，， H PV 3 3diag 1, 1, 1 0 3 9 ，v v V E v V N v V U v v T H v为量测噪声。

量测噪声方0L H差阵 R 根据GPS的位置、速度噪声水平选取。

数字信号处理实验报告姓名： 专业: 通信与信息系统 学号: 日期：2015.11实验内容任务一：一连续平稳的随机信号()t x ，自相关函数()tx er -=τ，信号()t x 为加性噪声所干扰，噪声是白噪声，测量值的离散值()k z 为已知，s T s 02.0=，-3.2，-0.8，-14，-16，-17，-18，-3.3，-2.4，-18，-0.3，-0.4，-0.8，-19，-2.0，-1.2，-11，-14，-0.9，-0.8，10，0.2，0.5，-0.5，2.4，-0.5，0.5，-13，0.5，10，-12，0.5，-0.6，-15，-0.7，15，0.5，-0.7，-2.0，-19，-17，-11，-14，自编卡尔曼滤波递推程序，估计信号()t x 的波形。

任务二：设计一维纳滤波器。

（1）产生三组观测数据：首先根据()()()n w n as n s +-=1产生信号()n s ，将其加噪（信噪比分别为20dB ，10dB ，6dB ），得到观测数据() n x 1，() n x 2，() n x 3。

（2）估计() n x i ， 1=i ，2，3的AR 模型参数。

假设信号长度为L ，AR 模型阶数为N ，分析实验结果，并讨论改变L ，N 对实验结果的影响。

实验任务一 1. 卡尔曼滤波原理1.1 卡尔曼滤波简介早在20世纪40年代，开始有人用状态变量模型来研究随机过程，到60年代初，由于空间技术的发展，为了解决对非平稳、多输入输出随机序列的估计问题，卡尔曼提出了递推最优估计理论。

它用状态空间法描述系统，由状态方程和量测方程所组成，即知道前一个状态的估计值和最近一个观测数据，采用递推的算法估计当前的状态值。

由于卡尔曼滤波采用递推法，适合于计算机处理，并且可以用来处理多维和非平稳随机信号，现已广泛应用于很多领域，并取得了很好的结果。

卡尔曼滤波一经出现，就受到人们的很大重视，并 在实践中不断丰富和完善，其中一个成功的应用是设计运载体的高精度组合导航系统。

惯性导航系统(Inertial Navigation System ，INS )和北斗卫星导航系统(Beidou Navigation Satellite System ，BDS )是目前两种重要的舰船导航系统。

惯性导航系统(INS )是自主导航系统，仅依靠自身就能进行连续的导航和定位，具有自主、隐蔽等特性，所获取舰船的运动信息完备，但其定位误差是积累的，随着时间的积累而不断增大[1]。

北斗卫星导航系统(BDS )的定位精度系统与第3代GPS 定位精度相当，具有观测时间短、定位连续、精度高、误差不随时间积累等优点，可提供覆盖全球的精准定位、导航和授时(Positioning ，摘要为克服惯性导航系统(INS)的积累误差，提高误差的修正精度，提出了基于多天线北斗差分载波相位的北斗/惯性导航系统组合导航算法。

该算法建立并线性化惯性导航系统(INS)和北斗导航系统(BDS)的状态方程和量测方程，对系统的运动状态参数应用自适应迭代扩展卡尔曼滤波(adaptive iterated extended Kakman filter ，AIEKF)算法进行估计。

仿真结果表明，自适应迭代扩展卡尔曼滤波算法能够提高INS/BDS 组合导航系统的精度和抗干扰能力，验证了自适应迭代扩展卡尔曼滤波算法的有效性。

关键词INS;BDS;组合导航;自适应卡尔曼滤波中图分类号:U666.1文献标识码:A DOI ：10.19694/ki.issn2095-2457.2020.04.81基于自适应迭代扩展卡尔曼滤波算法的INS/BDS 组合导航系统INS/BDS Integrated Navigation System Based on Innovation-based Estimation Adaptive Kalman Filter Algorithm张源詹金林韩冰陈伟ZHANG Yuan ZHAN Jinlin HAN Bing CHEN WeiAbstractTo achieve high accuracy for INS,this paper presents an INS/BDS adaptive navigation system for marine application.BDS with multi-antennas Dual-Differential carrier phase observation model provides vessel ’s altitude and is selected as the auxiliary navigation system to fuse with INS to obtain better estimation accuracy of INS errors.In oder to solve the degradationperformance of integrated navigation system caused by BDS unstable measurement disturbs,a novel innovation-based adaptive estimation (AIE)kalman filtering approach is proposed.Simulation results show that the novel innovation-based adaptive estimation kalman filtering surpasses thestandard kalman filter with better accuracy,robustness and lesscomputation.Key wordsInertial navigation system;BDS;Integrated navigation system;Adaptive kalman filter;Innovation-based adaptive estimation张源海军士官学校(蚌埠233012)詹金林海军士官学校(蚌埠233012)韩冰海军士官学校(蚌埠233012)陈伟海军士官学校(蚌埠233012). All Rights Reserved.Navigation and Timing，PNT)服务[2]。

卡尔曼滤波实验报告一、实验任务产生含噪声信号X(n)=sin(2*pi*f*n)+w(n),f=0.05,w(n)~N(0,1.2)。

编写程序运用卡尔曼滤波进行去噪处理，要求画出去噪前和去噪后图形，滤波误差及收敛过程。

二、实验程序clc;clear;N=256 ; %信号与噪声的长度离散信号个数w=randn(1.2,N); %产生高斯白噪声，令方差为1.2f=0.05; %实正弦信号频率s=sin(2*pi*f*(0:N-1)) ; %产生正弦信号subplot(311);plot(s);title('有用信号s(n)')grid on;x=s+w;subplot(312);plot(x);title('加噪信号x(n)')grid on;c=[1]; %观测矩阵a=[1]; %状态转移矩阵b=[1]; %输入矩阵H=[1];R=std(w); %R是观测白噪声v(k)的方差Y(1)=20;P(1)=10;for i=1:1:N-1Y(i+1)=a*Y(i)+b*s(i);P(i+1)=a*P(i);Kg(i)=P(i+1)*H'*inv(H*P(i+1)*H'+R);Y(i+1)= Y(i+1)+Kg(i)*(x(i)-H*Y(i+1));P(i+1)=P(i+1)-Kg(i)*H*P(i+1);end;subplot(313);t=1:N;plot(t,Y);title('通过卡尔曼滤波后的估计信号y(n)')grid on;三、实验结果四、实验总结与维纳滤波器实验结果相比，卡尔曼滤波器的输出更加平滑，但是仍没有去除掉曲线中的椒盐噪声点，这一点需要继续改进。

卡尔曼滤波就是根据前一个估计值x^k-1和当前的观测值yk来对信号作递推估计，得到x^k 。

首先建立卡尔曼滤波器的模型，由状态方程和观测方程xk=Akxk-1+wk-1，y k =Ckxk+vk,由此可得到k时刻的预测值x^k’=Ak-1x^k-1与估计值y^k’=Ckx^k’=CkAkx^k-1,定义新息y~k =yk-y^k’，由于wk-1和vk的影响才产生了y~k，为了得到最有估计值，有必要利用一系列矩阵Hk 来校正预测值y^k’，此时x^k= Ak-1x^k-1+Hk(yk- CkAkx^k-1)上式为卡尔曼滤波器的递推方程，这样就可以根据前一个估计值x^k-1和当前观测值yk对信号作递推估计，得到x^k。

卡尔曼滤波与组合导航作业四一、作业内容本实验的主要内容是完成基于卡尔曼滤波的INS/GPS 组合导航实验。

INS 的输出频率为100Hz ，GPS 的输出频率为20Hz ，通过GPS 给出的3个方向的位置和速度作为量测信息与惯导解算结果进行组合，完成组合导航，比较分析组合导航的结果。

二、系统分析与系统建模捷联惯导的解算过程这里不再赘述，直接从组合导航所需的模型开始建模。

1. 状态方程系统的状态方程由捷联惯导的误差方程和惯性器件的误差方程组成：X FX GW =+式中，状态变量E N U E N U x y z xX V V V L H φφφδδδδδλδεεε=∇⎡⎣y ∇Tz ∇⎤⎦，其中E φ、N φ和U φ为数学平台失准角，E V δ、N V δ和U V δ分别为东向、北向和天向速度误差，L δ、δλ和H δ分别为纬度误差、经度误差和高度误差；系统噪声过程噪声[]x y z x y z Tw w w w w w w εεε∇∇∇=，包括陀螺和加速度计的随机误差（不包括随机常值误差）；系统噪声方差阵Q 根据SINS/GPS 组合导航系统的惯性器件噪声水平选取。

状态转移矩阵F 和系统噪声矩阵G 的具体形式为：NS99966966151500F F F ⨯⨯⨯⨯⨯⎡⎤=⎢⎥⎣⎦，n b 33n 33b 93931560000C G C ⨯⨯⨯⨯⨯⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦F 矩阵中，nb 33S n 33b 3333960000C F C ⨯⨯⨯⨯⨯⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦，NF 为对应惯导9个误差参数（3个姿态误差，3个速度误差，3个位置误差）的系统动态矩阵，它是（9*9）阶方阵。

其中非零元素可由惯导误差模型推导，具体为：3ie 5,1ie 2,32,4N ,7ie 3,1ie N 3,23,4M N 23,7ie 4243sin L L(cos L )(sin L tan L)1sin L cos L 1tan Lcos L sec LE E1,2ie 1,N N E1,2M N N M E 2N E,u,nN V tg R +hV f f R hV 1f f R +h R hV f f R +hR +hV f f R hV f f R hR hV f f f f f R hf ωωωωωω+==-++=-=-++=-==-=++==++=+=-+=N U4,44,5ie M M 2N 4,6ie 4,7ie N ie 5,1U5,3E54ie UN5,55,6M M 25,7ie sin L L)tan L 2sin L L(2cos L )2cos L sec L 2sin L ((2cos L sec L)EN E EUN N EN EN V tg R +hV V V f tg R h R hR +hV V V f f V V R h R hf f f f f 2V V f f R hR hV f R hωωωωωω+=-=+++=-+=++++==-=-=-=-++=-++，E6,1N6,2E6,4ie N 6,56,7E ie M 7,58,4M N 8,79,6N 2(cos L )22cos L 1sec L sec L tan L1EN EV f f f f V f R hV f f V R h f f R hR +hV f f R +hωω=-==++==-+==+==2. 量测方程SINS/GPS 组合导航采用松组合的方式，GPS 提供位置和速度信息，采用SINS 与GPS 的位置和速度之差作为卡尔曼滤波的量测信息。

卡尔曼滤波与组合导航原理
卡尔曼滤波是一种最优估计方法，能够在给定测量和先验信息的情况下，提供系统状态的最优估计。

组合导航是一种通过多个传感器（如GPS、陀螺仪、加速度计等）的数据来确定位置、速度和方向的技术。

卡尔曼滤波和组合导航技术经常一起使用，以提高导航系统的准确性和鲁棒性。

本文介绍了卡尔曼滤波的基本原理、应用和优缺点，以及组合导航的工作原理、常用算法和应用场景。

同时，还探讨了卡尔曼滤波和组合导航在无人驾驶、航空航天、水下探测等领域的应用前景和挑战。

- 1 -。

卡尔曼滤波报告一、实验任务产生含噪声信号X(n)=sin(2*pi*f*n)+w(n),f=0.05,w(n)~N(0,1.2)。

编写程序运用卡尔曼滤波进行去噪处理，要求画出去噪前和去噪后图形，滤波误差及收敛过程。

二、实验程序%***离散线性时不变系统的状态空间模型为：%***X(k+1)=A*X(k)+B*U(k)+w(k)%***Z(k)=H*X(k)+v(k) 每一个时刻都有噪声加入，算法是实时修正上一时刻的状态值clc; clear;%%产生有用信号s(n),加噪信号x(n)N=256 ; %信号与噪声的长度离散信号个数w=randn(1.2,N); %产生高斯白噪声，令方差为1.2f=0.05; %实正弦信号频率s=sin(2*pi*f*(0:N-1)) ; %产生正弦信号subplot(311);plot(s);title('有用信号s(n)')grid on;x=s+w;subplot(312); plot(x);title('加噪信号x(n)')grid on;c=1; %观测矩阵a=[1]; %状态转移矩阵b=[1]; %输入矩阵H=[1];R=std(w); %R是观测白噪声v(k)的方差%% ***卡尔曼滤波循环Y(1)=20;P(1)=10;for i=1:1:N-1Y(i+1)=a*Y(i)+b*s(i);P(i+1)=a*P(i);Kg(i)=P(i+1)*H'*inv(H*P(i+1)*H'+R);Y(i+1)= Y(i+1)+Kg(i)*(x(i)-H*Y(i+1));P(i+1)=P(i+1)-Kg(i)*H*P(i+1);end;subplot(313);t=1:N;plot(t,Y);title('通过卡尔曼滤波后的估计信号y(n)')grid on;三、实验结果Kalman滤波器的效果是使输出变得更平滑，但没办法去除信号中原有的椒盐噪声，而且，Kalman滤波器也会跟踪这些椒盐噪声点，因此推荐在使用Kalman滤波器前先使用中值滤波去除椒盐噪声。

《数学实验》综合实验报告实验名称综合实验（Kalman滤波）2016年 5月一、【实验目的】明白滤波计算流程能够调用相关函数进行数据处理使用循环函数和二维曲线画图有效的构建仿真模型，产生模拟数据二、【实验原理分析】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，它是最优，效率最高甚至是最有用的。

它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。

设系统可用一个线性随机微分方程来描述：X(k)=A X(k-1)+B U(k)+W(k)再加上系统的测量值：Z(k)=H X(k)+V(k)上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。

A和B是系统参数，对于多模型系统，他们为矩阵。

Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。

W(k)和V(k)分别表示过程和测量的噪声。

他们被假设成高斯白噪声，他们的协方差分别是Q，R（这里假设他们不随系统状态变化而变化）。

对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。

首先要利用系统的过程模型，来预测下一状态的系统。

假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：X(k|k-1)=A X(k-1|k-1)+B U(k) (1)式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。

到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的协方差还没更新。

我们用P表示协方差：P(k|k-1)=A P(k-1|k-1) A’+Q (2)式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。