状态空间模型
Posted bbzz2
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了状态空间模型相关的知识，希望对你有一定的参考价值。
一、状态空间模型简述状态空间模型是动态时域模型，以隐含着的时间为自变量。状态空间模型包括两个模型：
一是状态方程模型，反映动态系统在输入变量作用下在某时刻所转移到的状态；
二是输出或量测方程模型，它将系统在某时刻的输出和系统的状态及输入变量联系起来。
状态空间模型分类
状态空间模型按所受影响因素的不同分为：
（1）确定性状态空间模型
（2）随机性状态空间模型
状态空间模型按数值形式分为：
（1）离散空间状态模型
（2）连续空间状态模型
状态空间模型按所描述的动态系统可以分为：
（1）线性的与非线性的
（2）时变的与时不变的
5.jpg (105.47 KB, 下载次数: 15)
二、系统的状态空间
离散事件随机性系统的概念是系统理论中最基本的概念。
离散事件随机性系统的状态，是指系统内部的可能运动状态和可能储能状态。系统在k=k0时刻的状态，是在k<k0时以系统内部储能的积累结果，并在k=k0时以系统要素储能的方式表现出来，还将影响系统在k>k0时的外部行为。
用随机向量序列来描述系统在任一时刻的状态向量，称为状态向量法，也称为状态空间法。状态向量表示为：
6.jpg (10.91 KB, 下载次数: 15)
其中
7.jpg (6.88 KB, 下载次数: 14)
（k=1，2，1…，n）为第i个状态向量。三、系统的输入输出
输入输出状态概念
引入状态向量是为了对系统内部结构进行数学描述，但在许多情况下，系统的状态是无法直接量测到的，有时甚至全部不能量测到。在实际工作中，能量测到的量之势系统的输入与输出。
输入输出变量表示
系统的输入也是随时间而变的一组变量，表示为：
8.jpg (9.92 KB, 下载次数: 13)
称为输入向量，其分量
9.jpg (8.07 KB, 下载次数: 12)
（i=1，2，…，r)称为输入变量。系统所受的随机干扰也是随时间而变的一组变量，表示为
10.jpg (11.01 KB, 下载次数: 15)
称为系统的动态模型噪声，它是系统的一种特殊输入向量。系统的输出也是随时间而变的一组变量，表示为：
11.jpg (9.29 KB, 下载次数: 11)
称为输出向量，其分量 （i=1，2，…，m)称为输入变量。量测系统也会受到随机噪声的污染，表示为：
12.jpg (8.93 KB, 下载次数: 15)
称为系统的量测噪声。
四、状态空间模型
状态空间模型定义
状态空间模型是描述动态系统的完整模型，它表达了由于输入引起系统内部状态的变化，并由此使输出发生的变化。
状态空间模型的不同形式
如，线性时不变模型的状态方程可表示为：
13.jpg (5.84 KB, 下载次数: 10)
输出方程为：
14.jpg (3.36 KB, 下载次数: 12)
五、状态空间模型的建立
• 例 1 某养鱼场为了反映池塘鱼种的变化，请你帮助建立状态空间模型。
解答： （1）取状态向量X（k）为k时刻3个鱼种的数量：
15.jpg (19.19 KB, 下载次数: 13)
输入向量为：
16.jpg (25.87 KB, 下载次数: 14)
（2）状态转移矩阵
17.jpg (8.44 KB, 下载次数: 15)
式中： p1，p2，p3为鲫鱼、青鱼和鲤鱼的生长率，这里为p1=0.1，p2=0.13，p3=0.08。（3）输入矩阵仍定为常阵
18.jpg (8.26 KB, 下载次数: 11)
（4）输出矩阵或预测矩阵C为3×3维单位阵，这样输出向量或量测向量就等同于状态向量，状态空间模型：
19.jpg (7.91 KB, 下载次数: 13)
即：
20.jpg (33.42 KB, 下载次数: 12)
21.jpg (4.77 KB, 下载次数: 14)
22.jpg (13.19 KB, 下载次数: 11)
Kalman滤波简介
Kalman滤波是一种线性滤波与预测方法，原文为：A New Approach to Linear Filtering and Prediction Problems。文章推导很复杂，看了一半就看不下去了，既然不能透彻理解其原理，但总可以通过实验来理解其具体的使用方法。
Kalman滤波分为2个步骤，预测(predict)和校正(correct)。预测是基于上一时刻状态估计当前时刻状态，而校正则是综合当前时刻的估计状态与观测状态，估计出最优的状态。预测与校正的过程如下：
预测：
1.png (6.58 KB, 下载次数: 12)
校正：
2.png (11.75 KB, 下载次数: 15)
公式1是状态预测，公式2是误差矩阵预测，公式3是kalman增益计算，公式4是状态校正，其输出即是最终的kalman滤波结果，公式5是误差矩阵更新。各变量说明如下表：
4.jpg (120.25 KB, 下载次数: 12)
算法实现与分析
Kalman滤波最复杂的计算应该就是公式3中的矩阵求逆，考虑到实现的方便性，采用matlab来简单实现，本文主要是分析kalman滤波中各个变量的作用和对滤波结果的影响。具体代码如下：
| 1 2 3 4 5 6 7 8 9 |
function filter = Kalman(filter)
%predict
predict_x = filter.A * filter.x + filter.B * filter.u;
filter.P = filter.A * filter.P * filter.A' + filter.Q;
%correct
filter.K = filter.P * filter.H
' / (filter.H * filter.P * filter.H'
+ filter.R);
filter.x = predict_x + filter.K * (filter.z - filter.H * predict_x);
filter.P = filter.P - filter.K * filter.H * filter.P;
end
|
在matlab中，kalman滤波实际上就是上面那5个公式，而难点却是在测试代码中针对不同问题各个变量的初始化上，下面来逐个分析。
1.建立模型，明确观测量，系统状态以及其转移方程(下面这段公式太多，通过word写好后截图)
3.png (121.08 KB, 下载次数: 13)
2.初始化噪声协方差矩阵
经过上面一步，只有PQRK四个矩阵还未确定了。显然增益矩阵K是不需要初始化的，P是误差矩阵，初始化可以是一个随机的矩阵或者0，只要经过几次的处理基本上就能调整到正常的水平，因此也就只会影响前面几次的滤波结果。
Q和R分别是预测和观测状态协方差矩阵，一般可以简单认为系统状态各维之间(即上面的a和b)相互独立，那么Q和R就可以设置为对角阵。而这两个对角线元素的大小将直接影响着滤波结果，若Q的元素远大于R的元素，则预测噪声大，从而更相信观测值，这样可能使得kalman滤波结果与观测值基本一致；反之，则更相信预测，kalman滤波结果会表现得比较规整和平滑；若二者接近，则滤波结果介于前面两者之间，根据实验效果看也缺乏实际使用价值。
以上几个矩阵确定后，对于状态x，由于0时刻我们没有任何关于该系统的知识，可以使用0时刻的测量值z0来初始x0，预测从k=1开始；也可以初始化-1时刻的状态，当然这个状态实际是未知的，也就可随机取。2种方式都可以，但使用0时刻测量值来初始化状态，可以使得前面几次预测更准确。
3.实验分析
首先使用下面代码生成一组数据存在z.mat中：
[C] 纯文本查看 复制代码 ?| 1 2 3 4 5 6 7 8 |
interval = pi/18;
t = 1:interval:100*pi;
len = size(t, 2);
a = t + 4 * (
rand
(1,len)-0.5);
b = t .*
sin
(t/10) + 10 * (
rand
(1,len)-0.5);
z = [a; b];
save(
'z.mat'
,
'z'
);
plot(z(1,:),z(2,:),
'o'
)
|
可以看出其近似为一条振幅不断增大的正弦曲线叠加一个随机噪声。绘制出来如下：
4.png (23.9 KB, 下载次数: 10)
如果使用上面推导的恒定状态系统模型，代码与实验结果如下：
[C] 纯文本查看 复制代码 ?| 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 |
clear
close all
clc
dim_observe = 2; %观测值维数
n = dim_observe; %状态维数，观测状态每个维度都有1个速度，故需乘2
filter.A = eye(n);%[1,0,1,0;0,1,0,1;0,0,1,0;0,0,0,1];
filter.B = 0;
filter.u = 0;
filter.P = eye(n);
filter.K = zeros(n);
filter.H = eye(n);%[1,0,0,0;0,1,0,0];
cQ = 1e-8;
cR = 1e-2;
filter.Q = eye(n) * cQ; %这里简单设置Q和R对角线元素都相等，设为不等亦可
filter.R = eye(dim_observe) * cR;
filter.x = zeros(n,1); %初始状态x0
load(
'z.mat'
);
figure(1),subplot(2,2,1),
t = 1;
out = [];
for
i=1:size(z,2)
filter.z = z(:,i);
filter = Kalman(filter);
plot(filter.x(1),filter.x(2),
'r*'
);hold on
plot(filter.z(1),filter.z(2),
'bo'
); hold on
out=[out filter.x];
% pause(.5)
end
figure(1),
str =
sprintf
(
'cQ = %e, cR = %e'
, cQ, cR);
title(str)
%画局部放大
subplot(2,2,2),
plot(out(1,:),out(2,:),
'r*'
);hold on
plot(z(1,:),z(2,:),
'bo'
); hold on
axis([120 170 80 200])
|
5.png (32.82 KB, 下载次数: 13)
可以看出滤波结果完全滞后于测量数据，其根本原因在于建立的模型存在问题。
如果采用上面推导的物体运动模型则只需要修改部分代码，主要是矩阵A和H，以及其他矩阵对应的维数，具体如下：
[C] 纯文本查看 复制代码 ?| 1 2 3 4 5 6 7 8 |
dim_observe = 2; %观测值维数
n = 2 * dim_observe; %状态维数，观测状态每个维度都有1个速度，故需乘2
filter.A = [1,0,1,0;0,1,0,1;0,0,1,0;0,0,0,1];
filter.B = 0;
filter.u = 0;
filter.P = eye(n);
filter.K = zeros(n);
filter.H = [1,0,0,0;0,1,0,0];
|
运行结果如下图，蓝色为观测数据，红色为kalman滤波数据，右侧为局部放大图。可以看出经过滤波后的数据相当平滑，这里Q和R中元素的量级分别为cQ和cR，下图结果可以看到cR比cQ多了6个数量级。
6.png (39.06 KB, 下载次数: 14)
（1）
增加几组结果用于对比分析，对于的cQ和cR见图的标题。
7.png (39.18 KB, 下载次数: 14)
（2）
8.png (40.65 KB, 下载次数: 13)
（3）
9.png (41.63 KB, 下载次数: 14)
（4）
10.png (41.2 KB, 下载次数: 13)
（5）
11.png (41.14 KB, 下载次数: 11)
（6）
首先看图1和2，cR与cQ大小均相差了3个数量级，而二者的比值相同，则kalman滤波结果相同。
再看图2~图6，cR/cQ在不断减小，kalman滤波结果的平滑性也在不断降低，到图5和6中，滤波结果完全和观测值相同，说明此时kalman滤波已经完全相信观测值了。原因在于cR/cQ过小，系统认为预测噪声的方差很大，不值得信赖，而观测值的噪声方差小，可信度高。
根据上面的实验结果，可以看出Kalman滤波应用中的几个问题：
1.模型建立的正确性从根本上决定了滤波效果的正确性。
上面使用物体静止模型进行滤波，结果完全不对，而使用匀速运动模型则能达到较好的效果。从根本上讲，上面的数据也不是匀速运动的，为何结果会基本正确？看看第一个使用静止模型的滤波结果，虽然我们假定了物体是静止的，但由于观测数据的作用，kalman滤波结果也会有相应的运动而不是完全静止，也就是说滤波器在不停地修正这个状态，而在匀速运动模型中，物体的速度我们认为不变，但同样地kalman滤波器也会不停地修正这个速度，滤波器中计算的速度实质的偏离了真实速度的，因此最终也会有相应的偏差，不过这个偏差在我们容许范围内，也就可以大胆使用了。
如果能确定物体是匀变速直线运动，使用相应带加速度的模型会得到更准确的效果。但是越严格的模型其适用范围也相应越小。
2.影响滤波结果平滑性的因素是cR/cQ，这个值反映了我们对于预测和观测值的信任程度；其值越大则越相信预测结果，滤波结果平滑性好；反之则越相信观测结果，滤波结果越偏向于观测值。一般我们使用kalman滤波器是为了能平滑数据的波动，因此应尽量保证cR/cQ稍大，上面的测试结果该值在1e4以上数据较为平滑。
以上是关于状态空间模型的主要内容，如果未能解决你的问题，请参考以下文章