4.3 Kalman滤波器 状态空间方程： 状态(转移)方程 观测方程.

Presentation on theme: "4.3 Kalman滤波器 状态空间方程： 状态(转移)方程 观测方程."— Presentation transcript:

1 4.3 Kalman滤波器 状态空间方程： 状态(转移)方程 观测方程

2 已知: 假设:

3 Kalman 滤波问题 (一步预报)： 已知含噪数据 ，求 无噪声的估计值:

4 新息方法： 新息 (innovation) 称 为 的新息过程向量。 性质1: (正交), 是不同于 的新过程 性质2: ， 是个白噪声过程 性质3: （一一对应关系) 保留有 的所有信息

5 估计 状态向量估计误差： 相关矩阵： 校正项 ：Kalman 增益矩阵 ：Kalman 增益矩阵 ：Kalman 新息

6 例： 是一个时不变的标量随机变量， 为 观测数据,其中 为白噪声。若用 Kalman 滤波器自适应估计 ，设计 Kalman 滤波器。 设计过程：⑴ 构造状态空间方程；⑵ 设计x(n)的更新公式 状态方程 观测方程

7

8 4.4 LMS自适应算法 LMS: Least Mean Squares 随机优化问题 Wiener 滤波器: 最陡下降法 真实梯度

9 最陡下降法的改进: 牛顿法:

10 确定性优化 也称随机逼近最优化。求解的方法称为随机逼近方法。 后验估计误差： 先验估计误差：

11 梯度向量 维纳滤波器：

12 梯度下降算法： 步长参数, 学习速率 真实梯度 缺点：真实梯度含数学期望，不易求得。 改进： 梯度估计 瞬时梯度： 先验估计误差

13 基本的LMS算法： 瞬时梯度分析： 渐近无偏估计 最陡下降法 LMS算法

14 梯度下降法要求不同时间的梯度向量(搜索方向)线性独立。
LMS算法的独立性要求： 均值收敛： 均方收敛：

15

16 代入上式，可得 其中 若 的所有对角元素绝对值<1，即 则极限 (等比级数求和)

17 和极限 收敛为维纳滤波器，且收敛与初始值w(0)选择无关 结论： (均值收敛条件) 均方收敛条件： 由于迹 ，故两条件可合并为

18 均方收敛 均值收敛

19 自适应学习速率参数 ⑴ 固定学习速率： (常数) 缺点： 偏大 收敛快 跟踪性能差 偏小 收敛慢 跟踪性能好 ⑵ 时变学习速率： (递减)，模拟退火法则 ⑶ “换档变速”方法：固定+时变

20 例1. (先搜索，后收敛) 例2. (先固定，后指数衰减) 和 正的常数 ⑷ 自适应学习速率：“学习规则的学习”

21 LMS算法的改进 归一化 LMS (NLMS) 算法 解相关 LMS 算法

22 4.5 RLS算法 √ × 时， 比 合理

23

24 矩阵求逆引理： 增益向量

25 即

26 RLS算法：

27 非平稳， R(0), 越小越好

28 统计性能分析： 权误差向量 权误差向量的相关函数矩阵 均方误差 最小均方误差 剩余均方误差 当 时，称 为稳态剩余均方误差 算法的收敛速率 算法的跟踪性能

29 LMS、RLS、Kalman滤波算法的统计性能比较：
⑴ 均方误差曲线 多次实验统计结果 均方误差 收敛点 稳态剩余误差 样本个数 跟踪能力越好，曲线稳态越接近横轴 ⑵ 均值、离差

30 三种滤波算法的比较: (LMS, RLS, Kalman)
⑶ 收敛速率比较 LMS: 越大，学习步长越大，收敛越快 RLS: 遗忘因子 越大，遗忘作用越弱，收敛越慢 时变学习速率、时变遗忘因子 Kalman无收敛问题，无收敛参数

31 ⑷ 跟踪性能 希望LMS算法的 越小越好 希望RLS算法的 越大越好 跟踪好坏：LMS < RLS < Kalman

32 习 题 题4.16 (Kalman滤波) 题4.19 (Kalman滤波) 题4.20 (LMS算法)