CN104202019B - 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 - Google Patents
带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 Download PDFInfo
- Publication number
- CN104202019B CN104202019B CN201410423093.9A CN201410423093A CN104202019B CN 104202019 B CN104202019 B CN 104202019B CN 201410423093 A CN201410423093 A CN 201410423093A CN 104202019 B CN104202019 B CN 104202019B
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- matrix
- sequence
- noise
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供了针对离散时间时不变系统的一种基于递推协方差矩阵估计方法的卡尔曼滤波方法,目的是要解决一类离散时间线性时不变系统中观测噪声协方差矩阵完全未知的情况下的系统状态滤波估计问题。步骤一、利用观测序列{yk}构建新统计序列{ξk};步骤二、计算{ξk}的协方差矩阵递推公式:步骤三、利用观测噪声协方差矩阵与新统计序列协方差矩阵实时估计值Covk(ξ)之间的代数关系,计算过程噪声协方差矩阵估计序列;步骤四、通过f(Q)和过程噪声协方差矩阵Q的关系,计算出协方差矩阵的估计序列步骤五、将过程噪声的协方差矩阵估计序列替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。
Description
技术领域
本发明属于离散时间自适应滤波领域,具体涉及一种带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法。
背景技术
卡尔曼滤波方法是一种时域状态估计方法,由于其采用了状态空间的描述方法,且其递推形式易于计算机实现,基于状态空间的状态估计可以应用到现代控制理论中的先进性控制方法,获得良好的系统性能。针对线性状态空间模型描述的系统,通过标准的卡尔曼滤波方法可以从存在观测噪声的观测序列中获取系统内部状态的估计,提高系统控制性能,更好的完成系统的控制目标。在系统方程和量测方程已知的情况下,对信号进行估计,估计过程利用了如下信息:系统方程、量测方程、白噪声激励的统计特性、量测误差的统计特性。
假设线性系统的系统参数和噪声的统计特性符合要求时,标准卡尔曼滤波方法在最小方差和最大似然意义下是一种最优状态估计方法。标准卡尔曼滤波方法是针对线性系统,并且要求其系统噪声和观测噪声是零均值高斯白噪声。
在标准卡尔曼滤波方法中,过程噪声的协方差矩阵是不可或缺的重要参数变量。过程噪声的协方差矩阵表征系统模型中的系统状态的动态不确定信号的统计特性。在工程实践中,在许多情况下系统噪声和观测噪声的协方差矩阵常难以事先精确获知,当无法获取过程噪声协方差矩阵精确值时设计者常采用过程噪声的协方差矩阵的上限替代精确的协方差矩阵。这会破坏标准卡尔曼滤波方法的最优性,且如果选取的误差协方差矩阵的上限与真实协方差矩阵误差较大时,可能会引起标准卡尔曼滤波方法的性能大幅衰减甚至状态估计误差的发散而不能正常工作。
针对离散时间系统一般自适应卡尔曼滤波方法在线辨识观测噪声的协方差矩阵方法与系统状态实时估计相互耦合,这会增加估计算法的计算复杂度和闭环稳定性分析在数学上分析困难程度。
改进离散时间标准卡尔曼滤波的方法,在离散时间线性时不变系统中过程噪声协方差矩阵完全未知的情况下,兼顾滤波算法的实时性要求对系统状态进行滤波估计是亟待解决的问题。
发明内容
有鉴于此,本发明提供了针对离散时间时不变系统的一种基于递推协方差矩阵估计方法的卡尔曼滤波方法,目的是要解决一类离散时间线性时不变系统中观测噪声协方差矩阵完全未知的情况下兼顾滤波算法的实时性要求的系统状态滤波估计问题。
为达到上述目的,本发明的技术方案为:
一种带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法,针对的离散时间线性时不变系统模型为:
其中xk∈Rn×1为k时刻系统状态,xk-1为k-1时刻的系统状态,A为状态转移矩阵,B为过程噪声输入矩阵,wk-1为系统过程噪声,C为观测矩阵,vk为系统观测噪声,yk∈Rm×1为k时刻系统观测;
其中A、C为常值矩阵且已知;其中由系统观测yk组成的观测序列{yk}有界;系统的过程噪声和观测噪声为不相关零均值高斯白噪声,其中观测噪声协方差矩阵为常值R、过程噪声协方差矩阵为常值矩阵Q;存在可观测矩阵
Mo=[C CA … CAn]T
其中[·]T表示矩阵转置;
由于系统可观测,则可观测矩阵Mo列满秩,即其存在左伪逆矩阵
并且左伪逆矩阵满足
其中In×n为n维单位矩阵;
针对上述离散时间线性时不变系统的模型,包括如下步骤:
步骤一、利用观测序列{yk}构建新统计序列{ξk}:
步骤二、计算{ξk}的协方差矩阵递推公式:
使用上述的协方差矩阵递推公式计算新统计序列{ξk}的协方差矩阵实时估计值Covk(ξ),Cov(·)为·的协方差矩阵;
步骤三、利用观测噪声协方差矩阵与新统计序列协方差矩阵实时估计值Covk(ξ)之间的代数关系,计算过程噪声协方差矩阵估计序列{f(Q)k}:
f(Q)k=Covk(ξ)-F(R)
其中F(R)可以通过{vk}与F'(v)之间的代数关系获取;
步骤四、通过f(Q)和过程噪声协方差矩阵Q的关系,计算出协方差矩阵的估计序列
从过程噪声序列与f(w)之间的关系
获取f(Q)与过程噪声协方差矩阵的代数关系,然后通过代数关系计算观测噪声协方差矩阵的实时估计
步骤五、将过程噪声的协方差矩阵估计序列替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。
有益效果:
本发明相对于标准的卡尔曼滤波方法,减弱了对系统过程噪声协方差矩阵参数的要求,可以用来处理一类线性时不变离散时间系统中过程噪声协方差矩阵事先完全未知,但协方差矩阵为定常值情况下的系统状态滤波估计问题。从本发明中的基本递推协方差矩阵估计方法可知,由于过程噪声的协方差矩阵的计算与系统状态估计值无关,由大数定律可保证观测噪声的协方差矩阵的估计序列以概率1收敛于过程噪声协方差矩阵真值。在过程噪声协方差矩阵估计序列收敛于真值的前提下,结合卡尔曼滤波方法的黎卡提递推分析可以给出基于递推协方差矩阵估计卡尔曼滤波方法的闭环稳定性结果以保证满足假设的离散时间线性时不变系统模型中,系统状态估计序列和估计偏差协方差矩阵序列收敛于具有精确观测噪声协方差矩阵的标准卡尔曼滤波的状态估计序列和估计偏差协方差矩阵序列。
此外,从方法的实现可以看出基于递推协方差矩阵估计卡尔曼滤波方法形式简单,易于计算机实现,利于工程实践系统中应用和实现。
附图说明
图1为本发明带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法的流程图。
具体实施方式
本发明针对一类满足发明假设条件的离散时间线性时不变系统模型,其系统过程噪声协方差矩阵完全未知时,能够从系统的观测序列中构建新的统计序列,利用基于大数定律设计的递推计算协方差矩阵估计方法实时计算新构建序列的协方差矩阵估计序列,通过构建序列的协方差矩阵与过程噪声的协方差矩阵的关系计算过程噪声协方差矩阵的估计序列,然后将过程噪声的协方差矩阵的实时估计值代替真实观测噪声协方差矩阵代入标准卡尔曼滤波方法递推计算系统状态的实时估计和估计偏差的协方差矩阵。
下面结合附图并举实施例,对本发明进行详细描述。
本实施例中,为了便于描述基于递推协方差估计卡尔曼滤波方法,我们首先给出离散时间线性时不变系统模型以及前提假设。
本方法针对的可控、可观测的离散时间线性时不变系统状态空间模型为:
其中xk∈Rn×1为k时刻系统状态,xk-1为k-1时刻的系统状态,A为状态转移矩阵,B为过程噪声输入矩阵,wk-1为系统过程噪声,C为观测矩阵,vk为系统观测噪声,yk∈Rm×1为k时刻系统观测;
其中A、C为常值矩阵且已知;其中由系统观测yk组成的观测序列{yk}有界;系统的过程噪声和观测噪声为不相关零均值高斯白噪声,其中观测噪声协方差矩阵为常值R、过程噪声协方差矩阵为常值矩阵Q;系统可控、可观测;存在可观测矩阵
Mo=[C CA … CAn]T
其中[·]T表示矩阵转制;
由于系统可观测,则可观测矩阵Mo列满秩,即其存在左伪逆矩阵
并且左伪逆矩阵满足
其中In×n为n维单位矩阵;
本发明中解决的线性时不变状态空间模型中的过程噪声协方差矩阵完全未知问题时,系统还需要满足如下条件:
Rank(M)=p2
其中 表示矩阵的Kronecker积,Rank(·)表示矩阵的秩,p为过程噪声wk-1的维数;
由于本发明是基于大数定律从观测序列中重构序列给出过程噪声协方差矩阵的估计序列,所以要求观测序列{yk}有界以满足滤波方法的收敛条件。
上述系统的观测噪声和观测噪声为不相关零均值高斯白噪声,其中系统过程噪声协方差矩阵为常值Q、事先完全未知,观测噪声协方差矩阵为常值矩阵R、精确已知。
针对上述系统过程噪声协方差矩阵完全未知的系统,本发明的具体实施步骤如下:
步骤一、利用观测序列{yk}构建新统计序列{ξk}。
从式(1)可知,
由于可观测矩阵存在左伪逆矩阵,从式(3)中可知,
xk-n-1=An-1xk-2n+An-2wk-2n+An-3wk-2n+1+…+wk-n-2
将式(4)和式(3)代入式(2)整理可得,
ξk=f(w)+F'(v) (5)
其中
利用观测序列重构新统计序列{ξk}的定义如下:
上述所重构的新统计序列{ξk},其期望E(ξk)=0,而且{ξk}与系统的状态估计无关,即{ξk}不与系统状态估计耦合,从而能够方便后续的数据处理。
步骤二、依据大数定律,设计递推协方差矩阵估计方法计算{ξk}协方差矩阵估计序列:
依据大数定律可知,对于随机变量φ∈Rm×1,且E(φ)=0,则随机变量φ的协方差矩阵可以通过下式求取:
其中E(·)表示随机变量的数学期望,Cov(·)表示随机变量的协方差矩阵,Rm×1表示m维实数空间。φi为随机变量φ的取值,Covn(·)则表示随机变量φ的取值序列{φn}的协方差矩阵。
但是这种协方差矩阵计算方法适用于获取全部采样数据后数据处理过程,不能满足在线实时计算随机变量ξ的协方差矩阵估计序列,为了满足实时性要求需要对式(7)改进成为递推计算形式。
零均值新统计序列{ξk}的协方差矩阵Covk(ξ)的递推公式为:
式(8)是一种递推递推求解随机变量ξ的协方差矩阵实时估计值的公式,通过式(6)和式(8)可以得到随机变量协方差矩阵实时估计值Covk(ξ)。
步骤三、利用过程噪声构建新序列f(w)的噪声协方差矩阵与新统计序列协方差矩阵实时估计值Covk(ξ)之间的代数关系,计算过程噪声协方差矩阵估计序列{f'(Q)k};
本发明的核心部分是处理观测噪声协方差矩阵事先完全未知情况下的系统滤波估计问题。在上两步中利用观测序列和系统参数构建了一个新的统计序列,并且通过基本的递推协方差矩阵估计方法得到序列的协方差矩阵估计序列,本步骤是在前两步的基础上给出过程噪声协方差矩阵实时估计方法。
从式(5)可得
f(Q)=Cov(ξ)-F'(R) (9)
由于系统观测噪声的协方差矩阵R精确已知,可得F'(v)的协方差矩阵;
由步骤二的处理过程可以获得随机变量ξ的协方差矩阵的实时估计值Covk(ξ)。
从式(9)可得过程噪声构造新序列的协方差矩阵实时估计值f(w)k:
f(Q)k=Covk(ξ)-Cov(V) (10)
通过式(10)可以从步骤二的随机变量ξk的协方差估计值Covk(ξ)中得到过程噪声重构序列的协方差矩阵的实时估计序列{f(Q)k}。
步骤四、通过f(Q)和过程噪声协方差矩阵Q的关系,计算出协方差矩阵的估计序列
从过程噪声序列与f(w)之间的关系
可以获取f(Q)与过程噪声协方差矩阵的代数关系,然后通过代数关系计算过程噪声协方差矩阵的实时估计
步骤五、利用过程噪声的协方差矩阵估计序列作为参数代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。
观测噪声协方差矩阵是标准卡尔曼滤波方法的一项重要参数,若无法获得精确地观测噪声协方差矩阵则标准卡尔曼滤波方法不能正常工作。本发明所处理的问题是观测噪声协方差矩阵事先完全未知情况下的系统状态滤波估计问题,通过上述四个步骤可以获得实时的过程噪声协方差矩阵的估计序列然后可将估计序列替代真值代入标准卡尔曼滤波方法中获得实时的状态估计及估计偏差的协方差矩阵。其处理过程与标准卡尔曼滤波方法类似,可以分为:时间更新和观测更新两部分。
时间更新:
观测更新:
其中为k时刻系统状态预估值,Pk,k-1为其协方差矩阵;为k时刻状态估计值,Pk为k时刻状态估计偏差的协方差矩阵;Kk为卡尔曼滤波增益。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种带有未知过程噪声协方差矩阵递推估计的卡尔曼滤波方法,针对的离散时间线性时不变系统模型为:
其中xk∈Rn×1为k时刻系统状态,xk-1为k-1时刻的系统状态,A为状态转移矩阵,B为过程噪声输入矩阵,wk-1为系统过程噪声,C为观测矩阵,vk为系统观测噪声,yk∈Rm×1为k时刻系统观测;
其中A、C为常值矩阵且已知;其中由系统观测yk组成的观测序列{yk}有界;系统的过程噪声和观测噪声为不相关零均值高斯白噪声,其中观测噪声协方差矩阵为常值矩阵R、过程噪声协方差矩阵为常值矩阵Q;存在可观测矩阵
Mo=[C CA … CAn]T
其中表示矩阵转置;
由于系统可观测,则可观测矩阵Mo列满秩,即其存在左伪逆矩阵
并且左伪逆矩阵满足
其中In×n为n维单位矩阵;
针对上述离散时间线性时不变系统的模型,其特征在于,包括如下步骤:
步骤一、利用观测序列{yk}构建新统计序列{ξk}:
步骤二、计算{ξk}的协方差矩阵递推公式:
使用上述的协方差矩阵递推公式计算新统计序列{ξk}的协方差矩阵实时估计值Covk(ξ),Cov(·)为·的协方差矩阵;
步骤三、利用观测噪声构建新序列f(w)的噪声协方差矩阵与新统计序列协方差矩阵实时估计值Covk(ξ)之间的代数关系,计算过程噪声协方差矩阵估计序 列{f'(Q)k};f(Q)=Cov(ξ)-F'(R);由于系统观测噪声的协方差矩阵R精确已知,可得F'(v)的协方差矩阵;通过上式可得过程噪声构造新序列的协方差矩阵实时估计值f(w)k:f(Q)k=Covk(ξ)-Cov(V);通过上式可以从步骤二的随机变量ξk的协方差估计值Covk(ξ)中得到过程噪声重构序列的协方差矩阵的实时估计序列{f(Q)k};
步骤四、通过f(Q)和过程噪声协方差矩阵Q的关系,计算出协方差矩阵的估计序列然后从过程噪声序列与f(w)之间的关系获取f(Q)与过程噪声协方差矩阵的代数关系,最后通过代数关系计算观测噪声协方差矩阵的实时估计;
步骤五、将过程噪声的协方差矩阵估计序列替代真值代入标准卡尔曼滤波方法中,计算系统实时的状态估计以及状态估计偏差的协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410423093.9A CN104202019B (zh) | 2014-08-25 | 2014-08-25 | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410423093.9A CN104202019B (zh) | 2014-08-25 | 2014-08-25 | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104202019A CN104202019A (zh) | 2014-12-10 |
CN104202019B true CN104202019B (zh) | 2017-05-10 |
Family
ID=52087261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410423093.9A Active CN104202019B (zh) | 2014-08-25 | 2014-08-25 | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104202019B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104868876B (zh) * | 2015-05-12 | 2017-10-03 | 北京理工大学 | 一种针对过程噪声协方差矩阵Q未知情况下的Kalman滤波方法 |
CN111795708B (zh) * | 2020-06-16 | 2022-05-06 | 湖南跨线桥航天科技有限公司 | 晃动基座条件下陆用惯性导航系统的自适应初始对准方法 |
CN112115419A (zh) * | 2020-09-14 | 2020-12-22 | 深圳大学 | 系统状态估计方法、系统状态估计装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788976A (zh) * | 2012-06-27 | 2012-11-21 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
CN103296995A (zh) * | 2013-06-01 | 2013-09-11 | 中国人民解放军电子工程学院 | 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2378074T3 (es) * | 2005-08-26 | 2012-04-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Métodos y disposiciones para estimación del aumento del ruido |
-
2014
- 2014-08-25 CN CN201410423093.9A patent/CN104202019B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102788976A (zh) * | 2012-06-27 | 2012-11-21 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
CN103296995A (zh) * | 2013-06-01 | 2013-09-11 | 中国人民解放军电子工程学院 | 任意维高阶(≥4阶)无味变换与无味卡尔曼滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104202019A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Signal decomposition and reconstruction using complex exponential models | |
CN104992164B (zh) | 一种动态振荡信号模型参数辨识方法 | |
CN104462015B (zh) | 处理非高斯Lévy噪声的分数阶线性离散系统状态更新方法 | |
CN104202019B (zh) | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 | |
CN103684349B (zh) | 一种基于递推协方差阵估计的卡尔曼滤波方法 | |
CN104283529B (zh) | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 | |
Liu et al. | A time-sequence-based fuzzy support vector machine adaptive filter for tremor cancelling for microsurgery | |
Choi et al. | Split-KalmanNet: A robust model-based deep learning approach for state estimation | |
CN103888100B (zh) | 一种基于负熵的非高斯线性随机系统滤波方法 | |
Gilson | What has Instrumental Variable method to offer for system identification? | |
CN109188422B (zh) | 一种基于lu分解的卡尔曼滤波目标跟踪方法 | |
Guo et al. | Butterworth low-pass filter for processing inertial navigation system raw data | |
Witzgall et al. | Single platform passive Doppler geolocation with unknown emitter frequency | |
Yao et al. | Robust H∞ fault diagnosis for stochastic distribution systems with disturbance rejection performance | |
Kulikov et al. | State estimation in chemical systems with infrequent measurements | |
Avendaño et al. | Diagonal time dependent state space models for modal decomposition of non-stationary signals | |
Nobahari et al. | A novel heuristic filter based on ant colony optimization for non-linear systems state estimation | |
CN104168005B (zh) | 带有未知观测噪声协方差矩阵递推估计的卡尔曼滤波方法 | |
Mazaheri et al. | Parameter estimation of Hammerstein-Wiener ARMAX systems using unscented Kalman filter | |
CN103605143A (zh) | 一种神经网络组合导航方法 | |
Cristofaro et al. | Adaptive Estimation of the Pennes' Bio-Heat Equation-I: Observer Design | |
Yanting et al. | Asynchronous track-to-track association algorithm based on dynamic time warping distance | |
Murakami | A nonparametric location–scale statistic for detecting a change point: A nonparametric test for a change-point problem | |
Golia et al. | A resampling algorithm for chaotic time series | |
TWI734369B (zh) | 一種亂數產生方法、裝置、電子設備及非暫態性電腦存儲介質 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |