动态线性系统的卡尔曼滤波

mytomorrow

动态线性系统的卡尔曼滤波

' q1 z3 {' R  ?■估计问题都是由三个部分构成:
1、函数模型(估计约束条件)
% r/ G& D3 h6 h4 R. K2、随机模型(估计验前信息)
  i- `) Y5 I" d! _, Y) Y" S, p3 Z% J3、估计准则。

3 e0 o8 X" Z) r8 p8 J( h■工程实践中的估计问题有两类:
: b4 j5 ]& w; _/ C0 g1 \4 p1、系统的参数部分或全部未知-----有 待确定;
2、实施最优控制时，需要了解系统的状态，而系统中部分或全部状态变量不能直接测得。
  \) M2 W/ j0 j9 [0 a" c" M5 H! p这样就:包含了两类估计问题：参数估计
/ v5 c/ a6 S: z* `, i                                               状态估计。

& I. g& n: J0 j' b◆不同估计准则会导致不同的估计方法;同样不同的观测信息，也会导致不同的估计方法。


口前面讨论的各种最小二乘分解法，都是针对静态函数模型的。即通过观测向量L所估计的参数向量是不依赖于时间t的。
口但是，在许多实际的问题中，如:
V应用计算技术进行适时控制的需要;
V大坝的变形监测、GPS导航等等

1 G& j* N9 L$ P( `) u■以上被估计参数都是随着时间的变化而不断变化的，必需在观测过程中不断的对系统的状态进行估计，并且随着新观测值的获得不断修正这种估计。
& c- l) Y0 T$ n& T1 {9 }: ^
卡尔曼滤波理论便是适应适时控制的需要，对系统的状态参数进行线性估计的一种递推算法。


# O' s- U0 M0 P7 a

• Kalman滤波是卡尔曼(kalman)于1960年提出的一种滤波方法。
• 特点:是对状态空间进行估计。状态空间估计一般是动态估计。
• 估计过程利用:系统状态方程、观测方程、系统过程噪声以及观测噪声的统计特性构成滤波算法。
• Kalman采用递推算法。
  ! A$ I: E& U# x8 @1 J8 d/ n; |

% E  J* e" E4 h. L$ Q; ^6 E
5 ]+ i  B2 [- ]9 Z8 c
' s" t: R( g0 O( G! ]
$ T$ t# u9 B; ^# z" Y6 S7 u

游客，如果您要查看本帖隐藏内容请回复

1 U+ n% H. k! a8 a

0 k7 X3 T) k" `$ J+ H& |: x

5 b0 E2 j0 @+ @8 g, m- h" |4 u

CCxiaom

学习了一下：动态线性系统的卡尔曼滤波

yin123

动态线性系统的卡尔曼滤波