卡尔曼滤波器的设计,卡尔曼估计
(k, L, P) =卡尔曼(sys、Qn Rn, Nn)
[KEST,L,P] =卡尔曼(SYS,QN,RN,NN,传感器,已知的)
[k, L P M Z] =卡尔曼(sys、Qn Rn,…,类型)
卡尔曼
针对被测对象的状态空间模型和处理与测量噪声协方差数据,设计了卡尔曼滤波器或卡尔曼状态估计器。卡尔曼估计器提供了以下连续或离散估计问题的最优解。
连续时间估计
鉴于连续厂
与已知的输入u,白处理噪声w,以及白测量噪声v满足
构造的状态下估计
使稳态误差协方差最小
最优解是卡尔曼滤波器等式
滤波器增益l是通过求解代数黎卡蒂方程来确定的吗
在哪里
和P求解相应的代数里卡蒂方程。
估计器使用已知的输入u和测量y生成输出和状态估计 和 。注意 估计植物的真实产量
离散时间估计
给定离散植株
和噪声协方差数据
估计量的状态方程如下:
增益矩阵l是通过求解一个离散黎卡蒂方程得到的
在哪里
有离散时间卡尔曼估计的两个变种:
当前估计器生成输出估计 和状态估计 使用所有可用的测量方法直到 。这个估计量有输出方程
创新在哪里获得收益米x和米y被定义为:
米x更新预测 使用新的测量方法 。
当H= 0, 和 。
延迟估计器产生输出估计 和状态估计 只使用到yv(n-1]。这估计是比较容易的内部控制回路来实现,并具有输出方程
(k, L, P) =卡尔曼(sys、Qn Rn, Nn)
创建一个状态空间模型k
的卡尔曼估计器给定的对象模型sys
和噪声协方差数据Qn
,Rn
,NN
(矩阵问,R,N中描述的描述)。sys
必须是带有矩阵的状态空间模型
。
得到的估计量k
已输入
和输出
(或离散时间对应项)。您可以省略最后一个输入参数NN
当N = 0。
功能卡尔曼
同时处理连续和离散问题,并产生连续估计sys
为连续估计量,否则为离散估计量。在连续时间,卡尔曼
也返回卡尔曼增益l
以及稳态误差协方差矩阵P
。P
解决了相关的Riccati方程。
[KEST,L,P] =卡尔曼(SYS,QN,RN,NN,传感器,已知的)
处理更一般的情况时
并非所有的输出sys
测量。
扰动的输入w最后的输入不是sys
。
该指数矢量传感器
和已知的
指定哪个输出y的sys
是被测量的,哪些输入u是已知的(确定性的)。所有其它输入sys
假设随机。
[k, L P M Z] =卡尔曼(sys、Qn Rn,…,类型)
指定离散时间对象的估计器类型sys
。该类型
参数可以是“当前”
(默认)或“延迟”
。对于离散时间的植物,卡尔曼
返回评估器和创新收益l和米以及稳态误差协方差
植物和噪声数据必须满足:
(C,一个)可检测
和
在虚轴(或离散时间的单位圆)上有没有不可控的模式
富兰克林,g.f., J.D.鲍威尔,M.L.沃克曼,动态系统的数字控制,第二版,Addison-Wesley出版社,1990年。
[2]刘易斯,F。,最优估计, John Wiley & Sons, Inc, 1986。
在应用卡尔曼滤波中填补空白:当测量值与过程噪声相关时估计输出。IEEE控制系统杂志,第37卷第3期,2017年,第87-93页。