第六章自适应卡尔曼滤波内容摘要：
（ 67） kR 为观测噪声方差矩阵 在根据上述递推公式进行卡尔曼滤波计算时需要确定动态系统的初始状态向量 和方差矩阵 ，并假设初始状态向量具有如下统计特性 0ˆX 0ˆP0 0 0ˆ ()X E X x 00ˆ ()P V a r X且 与动态噪声 和观测噪声 不相关。 0ˆX kW kV 对于常线性系统，则有 ，即它们都是常数矩阵；如果动态噪声和观测噪声都是平稳随机序列，则 、 都是常数矩阵。 在这种情况下，常增益的卡尔曼滤波是渐进稳定的。 /1 ,kkFF kHHkQ kR167。 自适应卡尔曼滤波 自适应卡尔曼滤波的目的是，在利用观测数据进行滤波的同时，实时地对未知的或不确定知道的系统模型参数和噪声的统计特性进行适当的估计和修正，以减弱模型误差的影响，使滤波结果更接近于实际。 因此，自适应卡尔曼滤波主要是为了抑制滤波发散而提出地方法。 自适应卡尔曼滤波的方法很多，包括 Sage算法、相关算法、极大似然法以及协方差匹配法。 这里介绍一种自适应卡尔曼的方差补偿法。 其原理是在滤波过程中利用已有信息对动态噪声方差矩阵 进行实时估计，以补偿滤波中对动态噪声方差或协方差估计的不足。 kQ假设动态噪声 和观测噪声 为正态序列， 为正态向量。 定义 L步预测剩余为 kW kV 0ˆX/ˆk l k l k l kV L L （ 68） 其中， 、 分别为第 k+l期观测值和它的最佳观测值 klL /ˆk l kL。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。