实时滤波算法

① 卡尔曼滤波理解与实现

本文为离散卡尔曼滤波算法的一 一个简明教程，从算法思想、实现过程、理论推导和程序实现四个方面阐述和分析了卡尔曼滤波算法。

XU Ruilin完成本教程主要部分的编写，WANG Xuejun完成第3节的编写，ZHU Ximin完成2.2节的编写，WEN Shuhan完成2.3节的编写，MAO Bo完成全文整理、修订和排版。

卡尔曼滤波（Kalman Filtering）及其一系列的优化和改进算法是目前在求解运动状态推算问题上最为普遍和高效的方法。 鲁道夫·卡尔曼 （Rudolf Emil Kalman） 在NASA埃姆斯研究中心访问时，发现他的方法适用于解决阿波罗计划的轨迹预测问题。阿波罗飞船的导航电脑就是使用这种滤波器进行轨迹预测。

卡尔曼滤波尤其适用于动态系统，这种方法对于内存要求极低而运算速度快，且能够保持较好的计算精度，这使得这种方法非常适合解决实时问题和应用于嵌入式系统，也就是说，卡尔曼滤波天然的适用于解决舰艇指控系统的航迹推算问题。在接下来的内容里，我们将逐步领会卡尔曼滤波的这些绝佳特点。

不过，现在我们先从复杂的舰艇航迹推算问题中解脱出来，从一个更加熟悉和简单的问题中来理解这个滤波算法的思想、过程和算法。

假设有一辆无人车WALL-E，需要导引它从A点到达B点，共有两种手段（ 图1 ）：

显然，两种方法都有一定的误差。如果单独采用某一种方法进行定位，WALL-E在误差的影响下将无法到达B点。因此，需要将两种方法结合起来，得到一个更加精确的结果，这就是卡尔曼滤波要解决的问题。

卡尔曼滤波方法如何看待我们的问题呢？在探究这个问题之前，我们先对问题进行抽象，并用数学语言来描述我们的问题。

我们用矢量 来描述WALL-E的运动状态，这个列矢量 包括位置矢量 和速度矢量 两个分量。在WALL-E的问题上，我们现在不知道位置 和速度 的准确值，但是知道WALL-E的运动模型满足 状态方程 ，定位的方法，也即观测WALL-E运动状态的方法满足 观测方程 . 当然，我们也知道，这两种方法都存在一定的误差 ，那么我们的问题就可以转化为一个优化问题——

在这一优化问题中，目标函数是要使预测（估计）误差最小，同时约束于估计方法 和 的条件下。在卡尔曼滤波中，我们的估计原则（也就是最小化估计误差的原则）是 最小方差无偏估计 [1] ，我们将通过后面的过程分析来说明这一点。

在我们正式开始引入公式分析卡尔曼滤波问题之前，我们还必须解决一个问题------把连续的线性系统离散化，也就是将连续时域问题转化为时间序列问题。当然，目前我们只讨论线性系统的情况，关于非线性系统问题，我们有扩展卡尔曼滤波（Extended Kalman Filtering, EKF）和无迹卡尔曼滤波（Unscented Kalman Filtering, UKF）两种方法来求解。

补充内容------连续线性时变系统的离散化
设连续线性时变系统的时域状态方程为

若采样周期为 ，则从时刻 到时刻 ，有

令 ， ，则离散化的状态方程为

通过对线性系统的离散化处理，我们现在可以考虑每一个时刻WALL-E的运动状态。接下来，我们将用 来表示在 时刻运动状态的最优估计值；用 表示用 时刻对 时刻的状态预测值；用 表示对 时刻综合预测和观测两种方法的最优估计值。

在估计WALL-E位置的问题上，假定我们已经知道它是匀速直线运动，WALL-E身上还携带有一个GPS传感器可以提供它的位置信息，WALL-E在前进过程中可能会遇到一些情况，比如停止前进或是受到风的影响。

加入我们已知的是WALL-E上一个时刻的最佳估计状态，即k-1时刻的位置和速度，要求的是下一时刻即k时刻的最佳估计状态，即k时刻的位置和速度，我们可以发现有两种方法可以得到它的k时刻的状态：

一种是通过WALL-E设定程序计算得到下一秒的状态，比如现在设定是匀速直线运动，那么下一秒的速度应该是恒定不变的，而位置则是在上一秒位置的基础上加上时间乘以速度即一秒内走过的路程，但是现实生活中并不是理想的，机器人会受到摩擦力、风力等的影响，当然也可能会有顽皮的小孩挡住他前进的道路，这些因素使得WALL-E在k时的真实状态与我们计算得到的数据有所不同。

另一种是通过WALL-E所携带的GPS来确定它的位置，因为GPS是测量出的就是WALL-E的实时状态，因此它比较准确。但是GPS测量k时刻的状态有两个问题，一是GPS只能测出WALL-E的位置，而测不出它的速度；二是GPS传感器测量的时候也会有仪器的误差，只能说它是比较准确的，比较接近真实值的。

那么接下来问题来了，我们如何得到k时刻WALL-E的真实状态呢？

我们将第一种方法得到的状态值称为预测值，第二种方法得到的状态值称为测量值，对汽车的最佳估计就是将这两部分信息结合起来，尽量的去逼近k时刻的真实值。

下面再深入一些思考，怎么将这两部分结合起来？

在初始时间k-1， 是WALL-E的最佳估计值，WALL-E其实可以是估计值附近的任何位置，并且这种不确定性由该概率密度函数描述。WALL-E最有可能在这个分布的平均值附近。在下一个时间，估计的不确定性增加，用一个更大的方差表示，这是因为在时间步骤k-1和k之间，WALL-E可能收到了风力的影响，或者脚可能向前滑了一点，因此，它可能已经行进了与模型预测的距离不同的距离。

WALL-E位置的另一个信息来源来自测量，方差表示误差测量的不确定性，真正的位置同样可以是平均值附近的任何位置。

预测值和测量值，对WALL-E的最佳估计是将这两部分信息结合起来，将两个概率函数相乘得到另一个高斯函数，该估计值的方差小于先前估计值，并且该概率密度函数的平均值为我们提供了WALL-E位置的最佳估计。

以下，我们将进行e的运算推导

设：

则有实际目标变量的表达式：

数学模型中目标变量的表达式：

实际模型中测量变量的表达式：

数学模型中测量变量的表达式：

将目标变量的实际值和估计值相减：

将上述方程带入误差e的表达式，我们可得出误差e的解析解：

从推导结果中我们不难看出，估计值和实际值的误差随时间呈指数形式变化，当（F-KH）<1时，随着时间的推移，会无限趋近于零，也就是意味着估计值和实际值相吻合。这就是为什么卡尔曼滤波器可以完美预测出目标状态值的原理。

在估计WALL-E位置的问题上，我们不知道位置 和速度 的准确值，但是我们可以给出一个估计区间（ 图5.a ）。卡尔曼滤波假设所有的变量是随机的且符合高斯分布（正态分布）。每个变量有一个均值 和一个方差 （ 图5.b ）。而 图5.c 则表示速度和位置是相关的。

假如我们已知上一个状态的位置值，现在要预测下一个状态的位置值。如果我们的速度值很高，我们移动的距离会远一点。相反，如果速度慢，WALL-E不会走的很远。这种关系在跟踪系统状态时很重要，它给了我们更多的信息：一个观测值告诉我们另一个观测值可能是什么样子。这就是卡尔曼滤波的目的------从所有不确定信息中提取有价值的信息。

根据数理统计知识，我们知道这种两个观测值（随机变量）之间的关系可以通过一个协方差矩阵

描述（ 图6 ）。

我们假设系统状态的分布为 高斯分布（正态分布） ，所以在 时刻我们需要两个信息：最佳预估值 及其协方差矩阵 （如式(2)所示）。

下一步，我们需要通过 时刻的状态来预测 时刻的状态。请注意，我们不知道状态的准确值，但是我们的预测函数并不在乎，它仅仅是对 时刻所有可能值的范围进行预测转移，然后得出一个k时刻新值的范围。在这个过程中，位置 和速度 的变化为

我们可以通过一个状态转移矩阵 来描述这个转换关系

同理，我们更新协方差矩阵 为

到目前为止，我们考虑的都是匀速运动的情况，也就是系统没有对WALL-E的运动状态进行控制的情况。那么，如果系统对WALL-E进行控制，例如发出一些指令启动或者制动轮子，对这些额外的信息，我们可以通过一个向量 来描述这些信息，并将其添加到我们的预测方程里作为一个修正。假如我们通过发出的指令得到预期的加速度 ，运动状态方程就更新为

引入矩阵表示为

式中 称为控制矩阵， 称为控制向量（例如加速度 ）。当然，如果没有任何外界动力影响的系统，可以忽略这一部分。

我们增加另一个细节，假如我们的预测转换矩阵不是100%准确呢，会发生什么？如果状态只会根据系统自身特性演变，那样将不会有任何问题。如果所有外界作用力对系统的影响可以被计算得十分准确，那样也不会有任何问题。但是如果有些外力我们无法预测，例如我们在跟踪一个四轴飞行器，它会受到风力影响；或者在跟踪一个轮式机器人，轮子可能会打滑，地面上的突起会使它减速。我们无法跟踪这些因素，而这些不确定事件发生时，预测方程将会失灵。因此，我们将这些不确定性统一建模，在预测方程中增加一个不确定项。

通过这种方式，使得原始状态中的每一个点可以都会预测转换到一个范围，而不是某个确定的点（ 图7.a ）。 可以这样描述------ 中的每个点移动到一个符合方差 的高斯分布里（ 图7.b ）。换言之，我们把这些不确定因素描述为方差为 的高斯噪声，并用 表示。这样就会产生一个新的高斯分布，方差不同，但是均值相同（ 图7.c ）。

通过对 的叠加扩展，得到完整的预测转换方程为

新的预测转换方程只是引入了已知的系统控制因素。新的不确定性可以通过之前的不确定性计算得到。到这里，我们得到了一个模糊的估计范围------通过 和 描述的范围。

我们之前的工作仍然是在使用运动模型一种方法来估计系统的状态，现在，我们要把另一种方法，也就是观测（本问题中为GPS定位）考虑进来，以进一步修正对运动状态的估计（ 图8 ）。

我们用矩阵 来描述观测方法的作用，于是有

再加入观测噪声 ，观测方程为

从控制论的角度出发，我们定义新息（也即观测值与预测值的误差）为

当然我们也知道，观测本身也会存在误差，比如本问题中的GPS定位精度仅有10m. 因此，我们用矩阵 来描述这种不确定性（ 图10 及 图11.a ）。

这时，我们新息的协方差为

现在我们需要把两种方法得到的可能性融合起来（ 图11.b ）。对于任何状态，有两个可能性：1. 传感器的观测值更接近系统真实状态；2. 模型推算的估计值更接近系统真实状态。如果有两个相互独立的获取系统状态的方式，并且我们想知道两者都准确的概率值，于是我们可以通过加权来解决更相信谁的问题（ 图11.c ）。

我们现在知道，系统模型的状态预测 与对系统的状态观测 服从高斯分布，把这个问题抽象一下就是——

根据我们的一个估计准则------ 最小方差估计 ，那么这个问题可以转化为优化问题求解

求导数（差分）得

则 ，从而

当维度高于一维时，我们用矩阵来描述，有

这里的 称为 卡尔曼增益 （Kalman Gain），也就是我们在解决更信任哪种方法时的偏向程度。

如果我们从两个独立的维度估计系统状态，那么根据系统模型的预测为

通过传感器的观测为

我们结合着两种方法得到

由 可知，卡尔曼增益为

将 约去（ 中也含有 项），得

此时的卡尔曼增益实际为

我们最后再来验证一下 估计的无偏性 ——

这里我们设 时刻的真值为 ，由于

由于 （ 从初值而来的无偏传递性 ）可知 ，即卡尔曼滤波满足无偏估计准则。显然，其中要求系统噪声和观测噪声是不相关、零期望的白噪声，且是线性系统，初始时刻的状态估计是无偏的。当这些条件不能满足时，卡尔曼滤波的估计结果是有偏的。

到这里，我们已经获得了卡尔曼滤波的全部要素。我们可以把整个过程总结为3个基本假设

假设一 和 都是零均值高斯白噪声，也即 ，

假设二 与 无关，也即

假设三 系统初值 的均值和方差已知，且 与 均不相关。

以及5个基本方程 方程一 状态预测

方程二 协方差预测

方程三 卡尔曼增益

② 什么叫卡尔曼滤波算法其序贯算法

卡尔曼滤波算法（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
序贯算法又叫序贯相似性检测算法，是指图像匹配技术是根据已知的图像模块(模板图)在另一幅图像(搜索图)中寻找相应或相近模块的过程，它是计算机视觉和模式识别中的基本手段。已在卫星遥感、空间飞行器的自动导航、机器人视觉、气象云图分析及医学x射线图片处理等许多领域中得到了广泛的应用。研究表明，图像匹配的速度主要取决于匹配算法的搜索策略。
数据滤波是去除噪声还原真实数据的一种数据处理技术, Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态. 由于, 它便于计算机编程实现, 并能够对现场采集的数据进行实时的更新和处理, Kalman滤波是目前应用最为广泛的滤波方法, 在通信, 导航, 制导与控制等多领域得到了较好的应用。

③ 扩展卡尔曼滤波（EKF）算法详细推导及仿真（Matlab）

姓名：王柯祎

学号：20021110373T

转自 ：https://blog.csdn.net/gangdanerya/article/details/105105611

【嵌牛导读】介绍扩展卡尔曼滤波（EKF）算法的详细推导，局限性和MATLAB仿真。

【嵌牛鼻子】扩展卡尔曼滤波（EKF）

【嵌牛正文】

扩展卡尔曼滤波算法 是解决非线性状态估计问题最为直接的一种处理方法，尽管EKF不是最精确的”最优“滤波器，但在过去的几十年成功地应用到许多非线性系统中。所以在学习非线性滤波问题时应该先从EKF开始。

EKF算法是将非线性函数进行泰勒展开，然后省略高阶项，保留展开项的一阶项，以此来实现非线性函数线性化，最后通过卡尔曼滤波算法近似计算系统的状态估计值和方差估计值。

一、EKF算法详细推导

【注】EKF推导参考的是黄蔚的博士论文“CKF及鲁棒滤波在飞行器姿态估计中的应用研究”，论文中EKF，UKF和CKF等算法讲解的都很详细，值得一看。

我们把KF与EKF算法拿出来对比可以发现：

二、EKF算法局限性：

该算法线性化会引入阶段误差从而导致滤波精度下降，同时当初始状态误差较大或系统模型非线性程度较高时，滤波精度会受到严重影响甚至发散。

需要计算雅克比矩阵，复杂，计算量大，影响系统的实时性，还会导致EKF算法的数值稳定性差。

当系统存在模型失配，量测干扰，量测丢失，量测延迟或状态突变等复杂情况时，EKF算法鲁棒性差。

三、Matlab仿真：

clear all;clc;   close all;

tf = 50; 

Q = 10;w=sqrt(Q)*randn(1,tf); 

R = 1;v=sqrt(R)*randn(1,tf);

P =eye(1);

x=zeros(1,tf);

Xnew=zeros(1,tf);

x(1,1)=0.1; 

Xnew(1,1)=x(1,1);

z=zeros(1,tf);

z(1)=x(1,1)^2/20+v(1);

zjian=zeros(1,tf);

zjian(1,1)=z(1);

for k = 2 : tf

%%%%%%%%%%%%%%%模拟系统%%%%%%%%%%%%%%%

    x(:,k) = 0.5 * x(:,k-1) + (2.5 * x(:,k-1) / (1 + x(:,k-1).^2)) + 8 * cos(1.2*(k-1)) + w(k-1); 

    z(k) = x(:,k).^2 / 20 + v(k);

%%%%%%%%%%%%%%%EKF开始%%%%%%%%%%%%%%%

    Xpre = 0.5*Xnew(:,k-1)+ 2.5*Xnew(:,k-1)/(1+Xnew(:,k-1).^2) + 8 * cos(1.2*(k-1));  

    zjian =Xpre.^2/20;

    F = 0.5 + 2.5 * (1-Xnew.^2)/((1+Xnew.^2).^2);

    H = Xpre/10;    

    PP=F*P*F'+Q; 

    Kk=PP*H'*inv(H*PP*H'+R);

    Xnew(k)=Xpre+Kk*(z(k)-zjian);

    P=PP-Kk*H*PP;

end

  t = 2 : tf;  

 figure;   plot(t,x(1,t),'b',t,Xnew(1,t),'r*');  legend('真实值','EKF估计值');

仿真结果：

④ 卡尔曼滤波算法是什么

卡尔曼滤波是一个滤波算法，应用非常广泛，它是一种结合先验经验、测量更新的状态估计算法，卡尔曼滤波器是在估计线性系统状态的过程中，以最小均方误差为目的而推导出的几个递推数学等式。

卡尔曼过程中要用到的概念。即什么是协方差，它有什么含义，以及什么叫最小均方误差估计，什么是多元高斯分布。如果对这些有了了解，可以跳过，直接到下面的分割线。

均方误差：

它是"误差"的平方的期望值（误差就是每个估计值与真实值的差），也就是多个样本的时候，均方误差等于每个样本的误差平方再乘以该样本出现的概率的和。

方差：

方差是描述随机变量的离散程度，是变量离期望值的距离。

注意:

两者概念上稍有差别，当你的样本期望值就是真实值时，两者又完全相同。最小均方误差估计就是指估计参数时要使得估计出来的模型和真实值之间的误差平方期望值最小。

⑤ 简述数字滤波技术，其算法有哪些

1、定义
所谓数字滤波， 就是通过一定的计算或判断程序减少干扰在有用信号中的比重。 故实质上它是一种程序滤波。

2、算法
算术平均值法、 中位值滤波法、 限幅滤波法、 惯性滤波法。

⑥ 用Matlab软件实现变长NLMS自适应滤波器算法

一种具有双瞬变因子的LMS自适应滤波算法

曾召华 刘贵忠 马社祥

（西安交通大学信息与通信工程研究所 西安710049）

作者在文献〔4〕中提出了一种改进的瞬变步长SPLMS自适应滤波算法。本文在SPLMS算法的基础上，进一步提出一种基于瞬变步长、瞬变平滑因子的双瞬变SPLMS算法—DSPLMS算法。该算法除具有常规LMS算法简单的优点外，还具有更高的起始收敛速率、更小的权失调噪声和更大的抑噪能力。文中重点讨论瞬变步长、瞬变平滑因子的变化特性。计算机仿真结果支持了理论分析。
自适应滤波器，失调噪声，收敛速度，最小均方误差，瞬变因子
1 引言
自适应滤波器及其相应算法是多年来人们广泛研究的课题。基于Widrow－Hoff标准的LMS算法和其相应的自适应滤波器以其算法和结构简单，便于实时信号处理等优点，在不同领域得到了最为广泛的应用。而为克服常规的固定步长LMS或牛顿LMS（Newton LMS，即NLMS）自适应算法在收敛速率、跟踪速率与权失调噪声之间要求上存在的较大矛盾，人们发展了各种各样的改进型LMS算法，如基于瞬变步长LMS自适应滤波算法〔1～6〕、基于正交变换（DCT、FFT、小波变换、子带滤波）的新型LMS均衡算法〔7～8〕。基于模糊判断的自适应LMS系统识别和基于最小四次均方误差的LMS自适应平稳收敛算法〔9～10〕。在所有改进型LMS算法中，瞬变步长LMS自适应滤波算法是研究最为广泛的一类LMS自适应滤波算法。本文算法也是基于瞬变因子的一种改进LMS自适应滤波算法。
2 SPLMS算法分析及问题的提出
在文献〔4〕中，作者对上述方案进行了大量的计算机仿真和理论分析，结果表明：（1）上述诸种算法的收敛速率与系统输入信噪比SNR直接相关，信噪比SNR越高，它们的收敛速率普遍提高；随着信噪比SNR的降低，它们的收敛速率减慢，甚至出现发散现象，因此它们必须在弱干扰下完成规一化起动，即在起始过程中噪声要相当小，否则效果不佳。（2）在上述所有算法中，由于采用瞬时平方误差性能函数e2k来代替均方误差性能函数，所以其算法的权值收敛过程表现为加权矢量的平均值变化规律和由于噪声引起的随机起伏项的叠加。因此，噪声方差越大，则随机起伏项越大，表现为权值振动也就越大。（3）为了追求更快的收敛性，往往增大μ和M，但滤波器阶数越高，步长因子μ和输入功率越大，就便得失调系数也越大。在有限次数起动迭代过程中，也就很难收敛到较稳态值，所以必须寻求更佳的瞬态步长算法。
文献〔4〕在准最小均方（Pseudo－LMS，即PLMS）误差算法基础上通过采用滑动时间窗，减少PLMS算法起动过程的计算量；同时在权值迭代中加一平滑迭代而使PLMS算法具备全局较强的抗噪性能，较快速收敛性能而提出了SPLMS算法，即：

其中rk为M阶滤波器输入信号的功率估值；Wk为滤波器的第k步M维最优权矢量估值；Xk是滤波器输入信号的M维输入数据矢量；dk为希望输出；μk为滤波器第k步瞬态步长。切换条件中，阈值μ类似于LMS算法的步长因子μL，满足：

μL＜μ＜1／trR，R＝E〔XkXTk〕（7）

为待定的算法常数，是μk变化的动态平衡点。而α是一常数为平滑因子，它决定上一次的权值变化对本次权值更新的影响程度。k0是采用式（2）规一化启动后，算法收敛到较稳态时的步数。式（4）是μk下降的递推算法，式（5）是μk上升的平滑递推算法。λ为上升的速度因子，满足0＜λ＜1。在实际应用中，考虑到学习过程的启动速度，一般取较大的λ值，即：

0．9＜λ＜1，k0＝25～35，｜α｜＜0．3（8）

SPLMS算法的实质是：在开始k0步中，采用启动速度较快的MLMS（Mend LMS）算法收敛到相对较稳态的状态；然后在k≥k0＋1过程中，采用瞬态步长μk来训练算法。而μk根据不同的切换条件将围绕μ作升降变化，其迭代计算主要表现为不降即升的动态过程。α主要根据经验来取值，输入数据的非平稳性越大，噪声方差越大时，增大α可明显抑制振动，从而加速收敛过程；在噪声小时减小α。
但SPLMS算法也有一明显不足，即α主要根据经验来取值，没有理论上的确切依据。α取值不当，反而容易造成算法收敛性能更差，甚至发散的现象。从理论上分析，α与瞬态步长μk和输出误差ek（文中定义为：ek＝dk－WTk Xk）应有一定关系。在算法启动阶段，ek较大，为追求启动速度而常取较大步长μk，但μk越大，权失调系数也就越大，有时反而起不到应有的作用，这时就应相应增加α值来平滑权失调噪声；在算法渐趋稳定，步长μk渐趋于常数，ek渐趋于0，此时α也应渐趋于0。综合起来就是：α应随步长μk和误差ek瞬时变化而变化，也应是一瞬变因子。本文重点就是寻求瞬变因子αk的数学表达式以满足上述分析的要求。
3 改进的双瞬变因子SPLMS算法——DSPLMS算法
3．1 μk的变化特性
从式（4）和式（5）可以看出，在k≥k0＋1过程中，μk根据不同的切换条件将围绕μ作升降变化，μk的迭 代计算主要表现为不降即升的动态过程。对于式（5），设k≥kr时，μk＜μ，则在k≥kr＞k0＋1的上升过程中：

即上升速度按指数衰减，使趋于平衡点μ的上升速度迅速减小。其变化过程类似于一电阻电容串联电路上电容的充电过程。对式（4），由于μk＝μk－1／（1＋Rk），Rk＞0，即使很小的Rk经过一步迭代就足以使μk＜μ，再次切换到上升过程。当rk较大时，下降形成的负脉冲也较大。
综上所述，在k≥k0＋1的收敛过程中，μk的时变特性等价于幅值极不对称的随机正负尖脉冲序列组成的瞬态分量和直流分量μ的线性叠加。瞬态分量的负脉冲强度与rk瞬值对应，有利于抑制局部自激或短暂发散，减小权矢量噪声，提高稳定度。在rk较小、算法渐趋于稳定时，瞬变分量趋于0，μk～μ。
3．2 αk的变化特性
定义：ΔWk＝Wk＋1－Wk为自适应滤波器的权系数增量；ξ为均方误差性能函数，ξ＝E〔ek〕2，ek＝dk－WTk Xk为输出误差，则SPLMS算法的权系数更新公式由式（1）可重写为：

Wk＋1＝Wk－μk＾Wξk＋αΔWk－1（10）

其中Wξ为ξ的梯度函数，＾W为Wξ的第k步估计。由式（10）的系数更新公式，我们可写出均方误差性能函数的表达式：

式中上标T表示矢量的转置。若用一矢量＾Wζk＋1去左乘式（10），则可得到：
＾Wξk＋1Wk＋1＝＾Wζk＋1Wk－μk＾Wζk＋1＾Wζk＋＾Wζk＋1αΔWk－1（13）

利用式（12）的结论，可将式（13）化简为：

＾TWζk＋1ΔWk＝0（14）

由于参量μk和α均为实的标量因子，故式（14）又可写成：

（μk＾TWζk＋1）（αΔWk）＝0（15）

式（15）清楚地表明：在SPLMS算法中，自适应滤波器的权系数在迭代过程中，其均方误差性能函数的梯度估值与权系数增量始终存在一个正交关系。ΔWk－1对ΔWk的调节作用是在当前梯度估值方向上，给出与梯度估值方向正交矢量，并以这两个矢量所构成的合矢量来改变权系数空间的权重。
对于FIR结构的LMS自适应系统而言，其均方误差性能函数在平稳输入时为一个二次型函数，在收敛点附近仍可视为一个二次型函数，故有：

ξ（Wk＋1）＝WTk RWk－2WTk P＋C（16）

式中R＝E〔XTk Xk〕为输入信号的自相关矩阵，P＝E〔dkXk〕为所需信号与输入信号的互相关矢量，C＝E〔d2k〕，则由式（16）可得：

将式（17）代入式（18），则式（18）可变形为：

式（19）就是本文给出的瞬变平滑因子αk的数学表达式。显然，它满足前面分析时所提出的要求，且在算法达到稳态收敛时，满足：

limk→∞αk＝0（20）

3．3 改进的双瞬变SPLMS算法——DSPLMS算法
用式（19）中αk的表达式替换式（1）中的α，就得到本文提出的具有双瞬变因子的LMS算法——DSPLMS算法，即
Wk＋1＝Wk＋2μk（dk－WTk Xk）Xk＋αk（Wk－Wk－1）（21）

μk＝λ／（1＋2λrk），0≤k≤k0（22）

由式（19）、（20）可知，αk是一个与μk成正比且具有衰减性的瞬变因子，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定收敛；与常规LMS算法相比，其性能有极大的提高，为实时信号处理提供了一个较好的算法。
4 计算机仿真
仿真实验的结构如图1所示，其中dk为随机输入信号，nk为高斯白噪声，ek为输出误差，xk为自适应滤波器的输入，yk为滤波器输出，此时xk＝dk＋nk。

在图2中，dk是均值为0、方差为1的高斯白噪声；nk是与dk不相关的均值为0、方差为1的高斯白噪声；滤波器参数：M＝32，λ＝0．9，μL＝0．005，μ＝0．01，α＝0．1。在图3中，nk为均值为0、方差为0．1的高斯白噪声，其它参数同图2。图2、3为分别采用LMS、SPLMS和DSPLMS算法进行滤波的学习曲线比较图。

从图2（强干扰启动）和图3（较弱干扰启动）中可以看出：在强干扰下，DSPL MS 具有比SPLMS好、比LMS好得多的启动速度和收敛速度；而在弱干扰下，DSPLMS仍具有比SPLMS快、比LMS快得多的启动速度。从图中同时还可看出：DSPLMS与SPLM S具有几乎相同的收敛速度，它们的收敛速度比LMS快得多。
5 结语
加进瞬变平滑项的规一化起动，使DSPLMS具有更高的起始收敛速度、更小的权失调噪声和更大的抑噪能力；在平稳连接之后的稳态过程中，该算法趋于步长为μ的LMS算法性能，但由于瞬变分量负脉冲的作用，在相近的权失调量下可按式（7）取较大的μ值，增强算法对时变参数过程的跟踪处理能力；输入数据的非平稳性越大，噪声方差越大时，加进的瞬变平滑项使权失调噪声减小，从而使本文提出的DSPLMS算法比SPLMS算法更能快速稳定地收敛；与常规LMS算法相比，其性能有极大的提高，可以明显抑制振动，从而加速收敛过程。

网址：

⑦ 滤波在数学上是如何实现的

在单片机进行数据采集时，会遇到数据的随机误差，随机误差是由随机干扰引起的，其特点是在相同条件下测量同一量时，其大小和符号会现无规则的变化而无法预测，但多次测量的结果符合统计规律。为克服随机干扰引起的误差，硬件上可采用滤波技术，软件上可采用软件算法实现数字滤波。滤波算法往往是系统测控算法的一个重要组成部分，实时性很强。

采用数字滤波算法克服随机干扰的误差具有以下优点：

1、数字滤波无需其他的硬件成本，只用一个计算过程，可靠性高，不存在阻抗匹配问题。尤其是数字滤波可以对频率很低的信号进行滤波，这是模拟滤波器做不到的。
2、数字滤波使用软件算法实现，多输入通道可共用一个滤波程序，降低系统开支。
3、只要适当改变滤波器的滤波程序或运算，就能方便地改变其滤波特性，这对于滤除低频干扰和随机信号会有较大的效果。
4、在单片机系统中常用的滤波算法有限幅滤波法、中值滤波法、算术平均滤波法、加权平均滤波法、滑动平均滤波等。

(1)限幅滤波算法

该运算的过程中将两次相邻的采样相减，求出其增量，然后将增量的绝对值，与两次采样允许的最大差值A进行比较。A的大小由被测对象的具体情况而定，如果小于或等于允许的最大差值，则本次采样有效;否则取上次采样值作为本次数据的样本。

算法的程序代码如下：

#defineA //允许的最大差值
chardata; //上一次的数据
char filter()
{
chardatanew; //新数据变量
datanew=get_data(); //获得新数据变量
if((datanew-data)>A||(data-datanew>A))
return data;
else
returndatanew;
}

说明：限幅滤波法主要用于处理变化较为缓慢的数据，如温度、物体的位置等。使用时，关键要选取合适的门限制A。通常这可由经验数据获得，必要时可通过实验得到。

(2)中值滤波算法

该运算的过程是对某一参数连续采样N次(N一般为奇数)，然后把N次采样的值按从小到大排列，再取中间值作为本次采样值，整个过程实际上是一个序列排序的过程。

算法的程序代码如下：
#define N11 //定义获得的数据个数
char filter()
{
charvalue_buff[N]; //定义存储数据的数组
char count,i,j,temp;
for(count=0;count
{
value_buf[count]=get_data();
delay(); //如果采集数据比较慢，那么就需要延时或中断
}
for(j=0;j
{
for(value_buff[i]>value_buff[i+1]
{
temp=value_buff[i];
value_buff[i]=value_buff[i+1];
value_buff[i+1]=temp;
}
}
returnvalue_buff[(N-1)/2];
}

说明：中值滤波比较适用于去掉由偶然因素引起的波动和采样器不稳定而引起的脉动干扰。若被测量值变化比较慢，采用中值滤波法效果会比较好，但如果数据变化比较快，则不宜采用此方法。

(3)算术平均滤波算法

该算法的基本原理很简单，就是连续取N次采样值后进行算术平均。
算法的程序代码如下：
char filter()
{
int sum=0;
for(count=0;count
{
sum+=get_data();
delay():
}
return (char)(sum/N);
}

说明：算术平均滤波算法适用于对具有随机干扰的信号进行滤波。这种信号的特点是有一个平均值，信号在某一数值附近上下波动。信号的平均平滑程度完全到决于N值。当N较大时，平滑度高，灵敏度低;当N较小时，平滑度低，但灵敏度高。为了方便求平均值，N一般取4、8、16、32之类的2的整数幂，以便在程序中用移位操作来代替除法。

(4)加权平均滤波算法

由于前面所说的“算术平均滤波算法”存在平滑度和灵敏度之间的矛盾。为了协调平滑度和灵敏度之间的关系，可采用加权平均滤波。它的原理是对连续N次采样值分别乘上不同的加权系数之后再求累加，加权系数一般先小后大，以突出后面若干采样的效果，加强系统对参数变化趋势的认识。各个加权系数均小于1的小数，且满足总和等于1的结束条件。这样加权运算之后的累加和即为有效采样值。其中加权平均数字滤波的数学模型是：

式中：D为N个采样值的加权平均值：XN-i为第N-i次采样值;N为采样次数;Ci为加权系数。加权系数Ci体现了各种采样值在平均值中所占的比例。一般来说采样次数越靠后，取的比例越大，这样可增加新采样在平均值中所占的比重。加权平均值滤波法可突出一部分信号抵制另一部分信号，以提高采样值变化的灵敏度。

样例程序代码如下：

char codejq[N]={1,2,3,4,5,6,7,8,9,10,11,12}; //code数组为加权系数表，存在程序存储区
char codesum_jq=1+2+3+4+5+6+7+8+9+10+11+12;
char filter()
{
char count;
char value_buff[N];
int sum=0;
for(count=0;count
{
value_buff[count]=get_data();
delay();
}
for(count=0;count
sum+=value_buff[count]*jq[count];
return(char)(sum/sum_jq);
}

(5)滑动平均滤波算法

以上介绍和各种平均滤波算法有一个共同点，即每获取一个有效采样值必须连续进行若干次采样，当采速度慢时，系统的实时得不到保证。这里介绍的滑动平均滤波算法只采样一次，将一次采样值和过去的若干次采样值一起求平均，得到的有效采样值即可投入使用。如果取N个采样值求平均，存储区中必须开辟N个数据的暂存区。每新采集一个数据便存入暂存区中，同时去掉一个最老数据，保存这N个数据始终是最新更新的数据。采用环型队列结构可以方便地实现这种数据存放方式。

程序代码如下：
char value_buff[N];
char i=0;
char filter()
{
char count;
int sum=0;
value_buff[i++]=get_data();
if(i==N)
i=0;
for(count=0;count
sum=value_buff[count];
return (char)(sum/N);
}

(6)低通滤波

将普通硬件RC低通滤波器的微分方程用差分方程来表求，变可以采用软件算法来模拟硬件滤波的功能，经推导，低通滤波算法如下：

Yn=a* Xn+(1-a) *Yn-1
式中 Xn——本次采样值
Yn-1——上次的滤波输出值;
，a——滤波系数，其值通常远小于1;
Yn——本次滤波的输出值。

由上式可以看出，本次滤波的输出值主要取决于上次滤波的输出值(注意不是上次的采样值，这和加权平均滤波是有本质区别的)，本次采样值对滤波输出的贡献是比较小的，但多少有些修正作用，这种算法便模拟了具体有教大惯性的低通滤波器功能。滤波算法的截止频率可用以下式计算：

fL=a/2Pit pi为圆周率3.14…
式中 a——滤波系数;
， t——采样间隔时间;
例如：当t=0.5s(即每秒2次)，a=1/32时;
fL=(1/32)/(2*3.14*0.5)=0.01Hz

当目标参数为变化很慢的物理量时，这是很有效的。另外一方面，它不能滤除高于1/2采样频率的干搅信号，本例中采样频率为2Hz，故对1Hz以上的干搅信号应采用其他方式滤除，

低通滤波算法程序于加权平均滤波相似，但加权系数只有两个：a和1-a。为计算方便，a取一整数，1-a用256-a，来代替，计算结果舍去最低字节即可，因为只有两项，a和1-a，均以立即数的形式编入程序中，不另外设表格。虽然采样值为单元字节(8位A/D)。为保证运算精度，滤波输出值用双字节表示，其中一个字节整数，一字节小数，否则有可能因为每次舍去尾数而使输出不会变化。
设Yn-1存放在30H(整数)和31H(小数)两单元中，Yn存放在32H(整数)和33H(小数)中。滤波程序如下：
虽千万里，吾往矣。

⑧ 什么是数字图像的频率域滤波算法，有哪些主要的算法，谢谢

就是把数字图像利用傅立叶变换，小波等数学方法，转化为频域进行处理，再把处理后的数据反变换成图像数据。最基本的应用算法如高通滤波，低通滤波，维纳滤波，相位相关等等。不过用频域处理都比较耗时，对实时性要求比较高的系统几乎都不用频域处理。

⑨ 什么是滤波算法

卡尔曼滤波器（Kalman Filter）是一个最优化自回归数据处理算法（optimal recursive data processing algorithm）。对于解决很大部分的问题，他是最优，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弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。

最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Kолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。

现设线性时变系统的离散状态防城和观测方程为：

X(k) = F(k,k-1)·X(k-1)+T(k,k-1)·U(k-1)

Y(k) = H(k)·X(k)+N(k)

其中

X(k)和Y(k)分别是k时刻的状态矢量和观测矢量

F(k,k-1)为状态转移矩阵

U(k)为k时刻动态噪声

T(k,k-1)为系统控制矩阵

H(k)为k时刻观测矩阵

N(k)为k时刻观测噪声

则卡尔曼滤波的算法流程为：

预估计X(k)^= F(k,k-1)·X(k-1)

计算预估计协方差矩阵
C(k)^=F(k,k-1)×C(k)×F(k,k-1)'+T(k,k-1)×Q(k)×T(k,k-1)'
Q(k) = U(k)×U(k)'

计算卡尔曼增益矩阵
K(k) = C(k)^×H(k)'×[H(k)×C(k)^×H(k)'+R(k)]^(-1)
R(k) = N(k)×N(k)'

更新估计
X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^]

计算更新后估计协防差矩阵
C(k)~ = [I-K(k)×H(k)]×C(k)^×[I-K(k)×H(k)]'+K(k)×R(k)×K(k)'

X(k+1) = X(k)~
C(k+1) = C(k)~

⑩ 卡尔曼滤波算法的发展历史如何

全球定位系统（GPS）是新一代的精密卫星导航定位系统。由于其全球性、全天候以及连续实时三维定位等特点，在军事和民用领域得到了广泛的发展。近年来，随着科学技术的发展，GPS导航和定位技术已向高精度、高动态的方向发展。但是由于GPS定位包含许多误差源，尤其是测量随机误差和卫星的几何位置误差，使定位精度受到影响。利用传统的方法很难消除。而GPS动态滤波是消除GPS定位随机误差的重要方法，即利用特定的滤波方法消除各种随机误差，从而提高GPS导航定位精度。 经典的最优滤波包括：Wiener滤波和Kalman滤波。由于Wiener滤波采用频域法，作用受到限制；而Kalman滤波采用时域状态空间法，适合于多变量系统和时变系统及非平稳随机过程，且由于其递推特点容易在计算机上实现，因此得到了广泛的应用。为此，本文对Kalman滤波方法进行了深入的研究，并取得了一些成果。 本文首先概述了GPS的组成、应用及最新动态。在此基础上介绍了GPS的导航定位原理，给出了卫星可见性算法、选星算法及定位算法。然后介绍了卡尔曼滤波的基本原理，在此基础上对动态用户的飞行轨迹进行了仿真，对“singer”模型下的8状态和11状态卡尔曼滤波算法进行了仿真分析，同时对“当前”统计模型下11状态卡尔曼滤波算法进行了仿真分析，并对滤波前后的定位精度进行了比较。在此基础上，就如何提高滤波器的动态性能作者提出了改进算法，即自适应卡尔曼滤波算法、带渐消因子的优化算法及改进的优化算法，并分别进行了仿真分析。最后作者将卡尔曼滤波算法分别应用于GPS/DR和GPS/INS组合导航定位系统中，并分别对这两种系统进行了建模和仿真分析，取得了较理想的结果。 本文的研究工作，对改进传统的滤波方法有一定的参考和应用价值，并对卡尔曼滤波方法在提高GPS动态导航定位精度方面的应用起到积极的促进作用。