基础知识

kalman)滤波

发布时间:2012-11-23 00:00:00


kalman)滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全包含噪声的测量(英文:measurement)中,估计动态系统的状态。

kalman)滤波应用实例
卡尔曼滤波的一个典型实例是从一组有限的,对物体位置的,包含噪声的观察序列预测出物体的坐标位置及速度. 在很多工程应用(雷达, 计算机视觉)中都可以找到它的身影. 同时,卡尔曼滤波也是控制理论以及控制系统工程中的一个重要话题。
 
kalman)滤波

比如,在雷达中,人们感兴趣的是跟踪目标,但目标的位置,速度,加速度的测量值往往在任何时候都有噪声.卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响,得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波),也可以是对于将来位置的估计(预测),也可以是对过去位置的估计(插值或平滑).

kalman)滤波命名
这种滤波方法以它的发明者鲁道夫.E.卡尔曼(Rudolf E. Kalman)命名. 虽然Peter Swerling实际上更早提出了一种类似的算法。

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.

目前,卡尔曼滤波已经有很多不同的实现.卡尔曼最初提出的形式现在一般称为简单卡尔曼滤波器.除此以外,还有施密特扩展滤波器,信息滤波器以及很多Bierman, Thornton 开发的平方根滤波器的变种.也行最常见的卡尔曼滤波器是锁相环,它在收音机,计算机和几乎任何视频或通讯设备中广泛存在。
 
kalman)滤波

kalman)滤波滤波器的算法
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(Linear Stochastic Difference equation)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(White Gaussian Noise),他们的covariance 分别是Q,R(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covariances 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k,根据系统的模型,可以基于系统的上一状态而得到系统现在状态预测值:
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covariance还没更新。我们用P表示状态预测值的covariance:
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covariance,P(k-1|k-1)是X(k-1|k-1)对应的covariance,A’表示A的转置矩阵,Q是系统过程的covariance。式子1,2就是卡尔曼滤波器5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(k)的最优化估算值X(k|k):
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3)
其中Kg为卡尔曼增益(Kalman Gain):
Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4)
到现在为止,我们已经得到了k状态下最优的估算值X(k|k)。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k状态下最优化值X(k|k)的covariance:
P(k|k)=(I-Kg(k) H)P(k|k-1) ……… (5)
其中I 为1的矩阵,对于单模型单测量,I=1。当系统进入k+1状态时,P(k|k)就是式子(2)的P(k-1|k-1)。这样,算法就可以自回归的运算下去。卡尔曼滤波器的原理基本描述了,式子1,2,3,4和5就是他的5 个基本公式。
根据这5个公式,可以很容易的实现计算机的程序。下面,我会用程序举一个实际运行的例子
 
kalman)滤波

2.简单例子
这里我们结合第二第三节,举一个非常简单的例子来说明卡尔曼滤波器的工作过程。所举的例子是进一步描述第二节的例子,而且还会配以程序模拟结果。
 
根据第二节的描述,把房间看成一个系统,然后对这个系统建模。当然,我们见的模型不需要非常地精确。我们所知道的这个房间的温度是跟前一时刻的温度相同的,所以A=1。没有控制量,所以U(k)=0。因此得出:
 X(k|k-1)=X(k-1|k-1) ……….. (6)
 式子(2)可以改成:
 P(k|k-1)=P(k-1|k-1) +Q ……… (7)
 因为测量的值是温度计的,跟温度直接对应,所以H=1。
 式子3,4,5可以改成以下:
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-X(k|k-1)) ……… (8)
Kg(k)= P(k|k-1) / (P(k|k-1) + R) ……… (9)
P(k|k)=(1-Kg(k))P(k|k-1) ……… (10)
 Kalman滤波是个最优化递归处理算法
要采购滤波器么,点这里了解一下价格!

为您推荐

重新定义信号与频谱分析仪:罗德与施瓦茨即将开启 FSWX 实测分享会 行业活动

重新定义信号与频谱分析仪:罗德与施瓦茨即将开启 FSWX 实测分享会

全球测试测量专家罗德与施瓦茨(以下简称“R&S”)宣布,将于6月23日举办 “新一代多通道信号与频谱分析仪FSWX实测分享会”。本次分享会将打破行业对传统“频谱仪”的固有认知,通过具体应用案例实测展示FSWX如何通过多通道架构、互相关分析、预选滤波器组等,解决6G、低轨卫星等前沿技术领域,传统工具“测不准、测不到、测不快”的痛点。FSWX以创新的架构和卓越的射频性能,旨在应对现代复杂系统中射频测量的棘手挑战,建立起真实信号与射频分析之间的精密桥梁。

通信广电 RF /微波 测试测量 滤波器

26.5GHz全覆盖:鼎阳新款矢量网络分析仪实现"一机多用"测试愿景 新品速递

26.5GHz全覆盖:鼎阳新款矢量网络分析仪实现"一机多用"测试愿景

鼎阳科技最新发布的SNA5000B系列矢量网络分析仪,以100 kHz至26.5 GHz的超宽频率覆盖和144 dB的卓越动态范围,为射频微波与通信测试领域带来全新突破。该系列支持2/4端口配置,具备0.1 Hz的极高频率分辨率和-55 dBm至+20 dBm的宽输出功率范围,确保在测试滤波器、低噪声放大器等高性能器件时,仍能保持无与伦比的测量精度与动态性能。

通信广电 RF /微波 测试测量 滤波器

贸泽开售ADI数字可调谐滤波器,助力航空航天、国防及医疗应用 选型指南

贸泽开售ADI数字可调谐滤波器,助力航空航天、国防及医疗应用

2021年8月5日 – 专注于引入新品并提供海量库存的电子元器件分销商贸泽电子 (Mouser Electronics) 即日起开始备货Analog Devices ADMV8818数字可调谐滤波器。ADMV8818是一款单片式微波集成电路 (MMIC),可通过数字方式设置工作频率,是大型开关滤波器组和腔体调谐滤波器的小型替代方案。该滤波器适用于工业仪器和测量、航空航天、国防和医疗应用,为先进的通信应用提供了动态可调的解决方案。

通信广电 医疗穿戴 RF /微波 测试测量 滤波器 ADI(亚德诺)

卓胜微将投资八亿建SAW滤波器产线 业界新闻

卓胜微将投资八亿建SAW滤波器产线

11月29日晚间,卓胜微发布公告,表示公司将在无锡市滨湖区胡埭东区投资建设半导体产业化生产基地。该项目预计投资总金额 8 亿元。据卓胜微介绍,这个名为芯卓半导体的项目将建设 SAW 滤波器晶圆生产和射频模组封装测试生产线,及厂房的配套设施建设及软硬件设备购置,开展关键技术和工艺的研发及产品的产业化生产。

RF /微波 测试测量 滤波器

特别推荐

更多

行业动态

更多

技术应用

更多

选型替代

更多

产品信息

更多

热门搜索

更多

欢迎登录

没有账号,

账号注册

注册成功!

3S后自动为你跳转登陆