ARMA建模以及卡尔曼滤波 |
您所在的位置:网站首页 › 曼卡和卡曼的区别 › ARMA建模以及卡尔曼滤波 |
惯性导航时常用到ARMA建模和卡尔曼滤波,最近两天准备科普一下。 X n =−(a 1 X n−1 +a 2 X n−2 +....+a p X n−p )+ξ n +b 1 ξ n−1 +b 2 ξ n−2 +....+b q ξ n−q AR(1)自回归模型AR(P), P=1 ,建立漂移一阶归模型AR(1)模型: X n =−a 1 X n−1 +ξ n在MATLAB中可以使用ar()函数,读者可以help一下即可。 AR(1)模型描述误差信号后,可以将其改为状态空间模型和输入输出模型: X k =ΦX n−1 +W k−1 Z k =HX k +V k 其中 W k−1 和V k 为零均值白噪声序列 进行卡尔曼滤波,我们需要知道系统模型噪声方差阵,量测噪声方差阵,以及初始值,看文献得,经过AR(1)模型拟合后的漂移信号的协方差为系统噪声协方差阵,实测数据作为观测量,其协方差为测量噪声的正定方差阵。另外,原始测量值均方根值的1/10作为初始误差方差阵。以后即可进行卡尔曼滤波,有关卡尔曼滤波公式不再赘述。 所得结果如下所示: AR(2) ARMA(1,1) ARMA(2,1) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |