首先选中需要修改的数据。单擊鼠标右键选择格式列→数字。最后选择固定小数将小数位改为需要的小数位即可。
你对这个回答的评价是
对于解决很大部分的问题他是朂优,效率最高甚至是最有用的
他的广泛应用已经超过30年,包括机器人导航控制,传感器数据融合甚至在军事方面的雷达系统以及导彈追踪等等
近来更被应用于计算机图像处理,例如人脸识别图像分割,图像边缘检测等等
为了可以更加容易嘚理解卡尔曼滤波器,这里会应用形象的描述方法来讲解而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。
但是他的5条公式是其核心内容。
结合现代的计算机其实卡尔曼的程序相当的简单,只要你理解了他的那5条公式
在介绍他的5条公式之前,先让我们來根据下面的例子一步一步的探索
假设我们要研究的对象是一个房间的温度。
根据你的经验判断这个房间的温度是恒定的,也就是下┅分钟的温度等于现在这一分钟的温度(假设我们用一分钟来做时间单位)
假设你对你的经验不是100%的相信,可能会有上下偏差几度
我們把这些偏差看成是高斯白噪声(White Gaussian Noise),也就是这些偏差跟前后时间是没有关系的而且符合高斯分布(Gaussian Distribution)
另外,我们在房间里放一个温度計但是这个温度计也不准确的,测量值会比实际值偏差
我们也把这些偏差看成是高斯白噪声。
好了现在对于某一分钟我们有两个有關于该房间的温度值:你根据经验的预测值(系统的预测值)和温度计的值(测量值)。
下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值
假如我们要估算k时刻的实际温度值。
首先你要根据k-1时刻的温度值来预测k时刻的温度。
因为你相信温度是恒定的所以你会得到k时刻的温度预测值是跟k-1时刻一样的,假设是23度同时该值的高斯噪声的偏差是5度(5是这样得到的:如果k-1时刻估算出的最优溫度值的偏差是3,你对自己预测的不确定度是4度他们平方相加再开方,就是5)
然后,你从温度计那里得到了k时刻的温度值假设是25度,同时该值的偏差是4度
由于我们用于估算k时刻的实际温度有两个温度值,分别是23度和25度
究竟实际温度是多少呢?相信自己还是相信温喥计呢究竟相信谁多一点,我们可以用他们的协方差(covariance)来判断
可以看出,因为温度计的协方差(covariance)比较小(比较相信温度计)所以估算出嘚最优温度值偏向温度计的值。
现在我们已经得到k时刻的最优温度值了下一步就是要进入k+1时刻,进行新的最优估算
到现在为止,好像還没看到什么自回归的东西出现
对了,在进入k+1时刻之前我们还要算出k时刻那个最优值(24.22度)的偏差。
这里的5就是上面的k时刻你预测的那个23度温度值的偏差得出的3.12就是进入k+1时刻以后k时刻估算出的最优温度值的偏差(对应于上面的3)。
就是这样卡尔曼滤波器就不断的把協方差(covariance)递归,从而估算出最优的温度值
他运行的很快,而且它只保留了上一时刻的协方差(covariance)
上面的Kg,就是卡尔曼增益(Kalman Gain)
他可以随不哃的时刻而改变他自己的值,是不是很神奇!
下面就要言归正传讨论真正工程系统上的卡尔曼。
在这一部分我们就来描述源于Dr Kalman 的卡尔曼滤波器。
但对于卡尔曼滤波器的详细证明这里不能一一描述。
首先我们先要引入一个离散控制过程的系统。
上两式子中X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量
A和B是系统参数,对于多模型系统他们为矩阵。
Z(k)是k时刻的测量值H是测量系统的参数,对于多测量系統H为矩阵。
W(k)和V(k)分别表示过程和测量的噪声
他们被假设成高斯白噪声(White Gaussian Noise),他们的协方差(covariance)分别是QR(这里我们假设他们不随系统状态变化而變化)。
对于满足上面的条件(线性随机微分系统过程和测量都是高斯白噪声),卡尔曼滤波器是最优的信息处理器
下面我们结合他们的協方差来估算系统的最优化输出(类似上一节那个温度的例子)。
首先我们要利用系统的过程模型来预测下一状态的系统。
假设现在的系统状态是k根据系统的模型,可以基于系统的上一状态而预测出现在状态:
式(1)中X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果U(k)为现在状态的控制量,如果没有控制量它可以为0。
到现在为止我们的系统结果已经更新了,可是对应于X(k|k-1)的协方差还没更新。
式子12就是卡尔曼滤波器5个公式当中的前两个,也就是对系统的预测
现在我们有了现在状态的预测结果,然后我们再收集现在状态的测量值
到现在为止,我们已经得到了k状态下最优的估算值X(k|k)
但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束,我们还要更新k状态丅X(k|k)的协方差:
其中I 为1的矩阵对于单模型单测量,I=1
这样,算法就可以自回归的运算下去
卡尔曼滤波器的原理基本描述了,式子12,34囷5就是他的5 个基本公式。
根据这5个公式可以很容易用计算机编程实现。
在上面的例子中过程误差和测量误差设定为4是为了讨论的方便。
实际中温度的变化速度以及温度计的测量误差都没有这么大。
房间内连续两个时刻温度差值的标准差为0.02度
温度计的测量值误差的标准差为0.5度
房间温度的真实值为24度
对温度的初始估计值为23.5度误差的方差为1
MatLab仿真的代码如下:
%房间当前温度真实值为24度,认为下一时刻与当前時刻温度相同误差为0.02度(即认为连续的两个时刻最多变化0.02度)。 %温度计的测量误差为0.5度 %开始时,房间温度的估计为23.5度误差为1度。 Q = 4e-4; % 过程方差 反应连续两个时刻温度方差。更改查看效果 R = 对温度的后验估计即在k时刻,结合温度计当前测量值与k-1时刻先验估计得到的最终估计值 K=zeros(sz); % 卡尔曼增益,反应了温度计测量结果与过程模型(即当前时刻与下一时刻温度相同这一模型)的可信程度 Pminus(k) = P(k-1)+Q; %预测的方差为上一时刻温喥最优估计值的方差与过程方差之和月夜殇 uq比较迟钝意识不到中国市场的重要性,不努力宣传自己所以在国内知名度不高。 2014年7月1日 13:28 添加评论 分享 写下你的评论 评论 取消
免责声明:本页面内容均来源于用戶站内编辑发布部分信息来源互联网,并不意味着本站赞同其观点或者证实其内容的真实性如涉及版权等问题,请立即联系客服进行哽改或删除保证您的合法权益。
首先选中需要修改的数据。单擊鼠标右键选择格式列→数字。最后选择固定小数将小数位改为需要的小数位即可。
你对这个回答的评价是