在这一部分,我们就来描述源于 6的卡尔曼滤波器。下面的描述,
会涉及一些基本的概念知识,包括概率(,--?),随即变量
(@-),高斯或正态分配(56-)
还有 A8)* 等等。但对于卡尔曼滤波器的详细证明,这里不
能一一描述。
首先,我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分
方程(A**6B*C)来描述:
D;7<:D;78<E;7<;7<
再加上系统的测量值:
F;7<:GD;7<@;7<
上两式子中,D;7<是 7 时刻的系统状态,E;7<是 7 时刻对系统的控制量。
和 是系统参数,对于多模型系统,他们为矩阵。F;7<是 7 时刻的测量值,G
是测量系统的参数,对于多测量系统,G 为矩阵。;7<和 @;7<分别表示过程
和测量的噪声。他们被假设成高斯白噪声;5'<,他们
的 *1*分别是 H,(这里我们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。下面我们来用他们结合他们的 *1*
来估算系统的最优化输出(类似上一节那个温度的例子)。
首先我们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 7,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:
D;7I78<:D;78I78<E;7<JJJ//;<
式;<中,D;7I78<是利用上一状态预测的结果,D;78I78<是上一状态最
优的结果,E;7<为现在状态的控制量,如果没有控制量,它可以为 "。
到现在为止,我们的系统结果已经更新了,可是,对应于 D;7I78<的
*1* 还没更新。我们用 , 表示 *1*:
,;7I78<:,;78I78<KHJJJ;2<
式 ;2<中,,;7I78<是 D;7I78<对应的 *1*,,;78I78<是 D;78
I78<对应的 *1*,K表示 的转置矩阵,H 是系统过程的
*1*。式子 ,2 就是卡尔曼滤波器 # 个公式当中的前两个,也就是
对系统的预测。
现在我们有了现在状态的预测结果,然后我们再收集现在状态的测量值。结合
预测值和测量值,我们可以得到现在状态;7<的最优化估算值 D;7I7<:
D;7I7<:D;7I78<+;7<;F;7<8GD;7I78<<JJJ;!<
其中 + 为卡尔曼增益;5<:
+;7<:,;7I78<GK;G,;7I78<GK<JJJ;$<
到现在为止,我们已经得到了 7 状态下最优的估算值 D;7I7<。但是为了要另
卡尔曼滤波器不断的运行下去直到系统过程结束,我们还要更新 7 状态下 D;7I