完整的实验报告下载连接https://download.csdn.net/download/LIsaWinLee/14884356

一、实验原理

卡尔曼滤波和维纳滤波都是最小均方误差为准则的线性估计器。卡尔曼滤波和维纳滤波的不同点在于：（1）解决最佳滤波的方法不同，维纳滤波是用频域及传递函数的方法，卡尔曼是用时域及状态变量的方法；（2）维纳滤波要求过程的自相关系数和互相关函数的简单知识，而卡尔曼滤波则要求时域中状态变量及信号产生过程的详细知识；（3）维纳滤波要求平稳，而卡尔曼滤波则不要求。

1.1维纳滤波器原理

维纳滤波的原理是根据全部过去的和当前的观测数据xn,xn-1,… 来估计信号的当前值。以均方误差最小条件下求解系统的传递函数H(z) 或单位脉冲响应h(n) 。维纳滤波的信号模型是从信号与噪声的相关函数得到。

维纳滤波器的一般结构如下：

有一期望响应d(n) ，滤波器系数的设计准则是使得滤波器的输出y(n) 是均方意义上对期望响应的最优线性关系。

线性系统输出为：

yn=sn=mhmx(n-m)

均方误差为：Ee2n=Esn-m=0∞hmx(n-m)2

维纳滤波器的设计，实际上就是在最小均方误差的条件下，即∂E[e2n]∂hj=0 ，确定滤波器的冲激响应h(n) 或系统函数H(z) ，可等效于求解维纳-霍夫方程。

1.2卡尔曼滤波器原理

卡尔曼滤波的原理是不需要全部过去的观察数据，只根据前一个估计值和最近一个观察数据来估计信号的当前值。它是用状态空间法描述系统，即由状态方程和量测方程组成。解是以估计值的形式给出的，其算法是递推。卡尔曼滤波的信号模型（一维）如下：

离散系统的n维状态方程：x(k)=Akxk-1+wk-1

离散系统的m维测量方差：yk=ckxk+vk

令Ak 表示状态变量之间的增益矩阵，ck 为状态变量与输出信号之间的增益矩阵，不随时间发生变化，动态噪声wk 与观测噪声vk 都是零均值的正态噪声，且两者互不相关，Rk=var[vk] =E[vkvkT] 为量测噪声协方差矩阵，Qk=var[wk] =E[wkwkT] 为动态噪声协方差矩阵。

系统初始条件为Ex0=μ0

varx0 =E[( x-μ0)(x-μ0)T ]=p0

cov[x0 ,wk]=Ex0wkT=0

cov[x0 ,vk]=Ex0vkT=0

卡尔曼滤波的基本思想是先不考虑激励噪声wk 和观测噪声vk ，得到的状态估计值xk 和观测数据的估计值yk ，再用观测数据的估计误差yk=yk-yk 去修正状态的估计值xk ，通过选择修正矩阵H使得状态估计误差的均方值Pk 最小。

卡尔曼滤波的递推公式如下：

xk=Akxk-1+Hk(yk-CkAkxk-1)

Hk=Pk'CkT(CkPk'CkT+Rk)-1

Pk'=AkPk-1AkT+Qk-1

Pk=(I-HkCk)Pk'

假设初始条件Ak,Ck,Qk,Rk,yk ,xk-1,Pk-1 已知，其中x0=Ex0 , P0=var[x0] ，则卡尔曼滤波的递推流程如下

二、实验内容

随机信号服从过程，它是一个宽带过程，参数如下：

（1）通过观测方程是方差为1的高斯白噪声，要求分别利用Wiener滤波器和Kalman滤波器通过测量信号估计的波形。

（2）将的方差改为4，按（1）中要求，重新估计的波形。

自行选择Wiener滤波器的阶数，自行选择实验扩展内容，写出实验报告，并进行相关分析。

三、实验过程

3.1维纳滤波器

利用维纳滤波测量信号时，建立模型如下：

1）将随机信号X(n)看成是由典型白噪声序列源W(n)激励一个线性系统产生，用一个差分方程表示xn-1.352xn-1+1.338xn-2-0.662xn-3+0.24xn-4=w(n) 。进行Z变换得到Hz=X(z)W(z)=11-1.352z-1+1.338z-2-0.662z-3+0.24z-4 ，均值为1的高斯白噪声序列W(n)可以用randn函数产生，再利用函数X=filter(B,A,W)产生随机信号X(n)。

2）观测方程是Y(n)=X(n)+V(n)，V(n)是方差为1的高斯白噪声，产生进入维纳滤波器的信号。

维纳滤波仿真流程如下：

3.2卡尔曼滤波器

卡尔曼滤波实际由两个过程组成：预测与校正。在预测阶段，滤波器使用上一状态的估计，做出对当前状态的预测。在校正阶段，滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值。采用最陡下降算法，搜索方向为梯度负方向，每一步更新都使梯度函数值最小。

卡尔曼滤波仿真流程如下：

四、实验结果

4.1 维纳滤波器实验结果

（1）维纳滤波器的阶数取101阶，观测点数取100，噪声方差为1时，通过仿真得到真实轨迹，观测样本及估计轨迹的比较图像，和通过仿真得到的平均误差如图4.1所示。

(a)真实轨迹、观测样本及估计轨迹的比较 (b)平均误差

图4.1 维纳滤波（噪声方差取1）

从图4.1(a)可以看出，利用维纳滤波器通过测量信号估计真实信号的波形，得到的估计轨迹接近于真实轨迹。当噪声方差为1时，估计轨迹与真实轨迹间的误差很小。

从图4.1(b)可以看出，利用维纳滤波器通过测量信号估计真实信号的波形，当噪声方差为1时，得到的估计轨迹与真实轨迹的平均误差较小，而且刚开始的时候平均误差相对较大，随着时间的推移，平均误差有逐渐减小的趋势。

（2）维纳滤波器的阶数取101阶，观测点数取100，噪声方差为4时，通过仿真得到真实轨迹，观测样本及估计轨迹的比较图像，和通过仿真得到的平均误差如图4.2所示。

(a)真实轨迹、观测样本及估计轨迹的比较 (b)平均误差

图4.2 维纳滤波（噪声方差取4）

从图4.2(a)可以看出，当噪声方差为4时，估计轨迹与真实轨迹间的误差变大了。

从图4.2(b)可以看出，当噪声方差为4时，估计轨迹与真实轨迹间的平均误差变大了。而且刚开始的时候平均误差相对较大，随着时间的推移，平均误差有逐渐见效的趋势。

4.2 卡尔曼滤波器实验结果

（1）卡尔曼滤波器的阶数取101阶，观测点数取100，噪声方差为1时，通过仿真得到真实轨迹，观测样本及估计轨迹的比较图像，和通过仿真得到的平均误差如图4.1所示。

(a)真实轨迹、观测样本及估计轨迹的比较 (b)平均误差

图4.3 卡尔曼滤波（噪声方差取1）

从图4.3(a)可以看出，利用卡尔曼滤波器通过测量信号估计真实信号的波形，得到的估计轨迹接近于真实轨迹。当噪声方差为1时，估计轨迹与真实轨迹间的误差很小。

从图4.3(b)可以看出，利用卡尔曼滤波器通过测量信号估计真实信号的波形，当噪声方差为1时，得到的估计轨迹与真实轨迹的平均误差较小，而且刚开始的时候平均误差相对较大，随着时间的推移，平均误差有逐渐减小的趋势。

（2）卡尔曼滤波器的阶数取101阶，观测点数取100，噪声方差为4时，通过仿真得到真实轨迹，观测样本及估计轨迹的比较图像，和通过仿真得到的平均误差如图4.4所示。

(a)真实轨迹、观测样本及估计轨迹的比较 (b)平均误差

图4.4 卡尔曼滤波（噪声方差取4）

从图4.4(a)可以看出，当噪声方差为4时，估计轨迹与真实轨迹间的误差变大了。

从图4.4(b)可以看出，当噪声方差为4时，估计轨迹与真实轨迹间的平均误差变大了。而且刚开始的时候平均误差相对较大，随着时间的推移，平均误差有逐渐见效的趋势。

五、总结与展望

通过此次实验，学会运用MATLAB工具实现构建维纳滤波器和卡尔曼滤波器，并对AR模型进行实验。从实验中，我了解到维纳滤波器是以LMS算法为核心的，而卡尔曼滤波器是从RLS算法演变而来的。从这两点则可以衍生出很多解题思路。最后通过MATLAB演示了信号在加入噪声后，通过维纳滤波器和卡尔曼滤波器进行估计，比较估计值和真实值，发现差别非常的小。希望后面若有遇到维纳滤波和卡尔曼滤波问时，能够回忆起课堂上和实验中学到的知识，充分的利用起来。

六、附录

6.1 维纳滤波器程序

（1）噪声方差为1时：

clc;clear all;maxlag=100;N=100;%观测点数取100x=zeros(N,1);y=zeros(N,1);%%列出状态方程%%x(1)=randn(1,1);x(2)=randn(1,1)+1.352*x(1);x(3)=randn(1,1)+1.352*x(2)-1.338*x(1);x(4)=randn(1,1)+1.352*x(3)-1.338*x(2)+0.602*x(1);for n=5:Nx(n)=1.352*x(n-1)-1.338*x(n-2)+0.602*x(n-3)-0.24*x(n-4)+randn(1,1);%x为真实值endv=randn(N,1);y=x+v;%z_x为观测样本值=真值+噪声%%滤波%%x=x';y=y';xk_s(1)=y(1);%赋初值xk_s(2)=y(2);xk_s(3)=y(3);xk_s(4)=y(4);xk=[y(1);y(2);y(3);y(4)];%%维纳滤波器的生成[rx,lags]=xcorr(y,maxlag,'biased');%观测信号的自相关函数rx1=toeplitz(rx(101:end));%对称化自相关函数矩阵使之成为方阵，滤波器的阶数为101阶rx2=xcorr(x,y,maxlag,'biased');%观测信号与期望信号的互相关函数rx2=rx2(101:end);h=inv(rx1)*rx2';%维纳霍夫方程xk_s=filter(h,1,y);%加噪信号通过滤波器后的输出e_x=0;eq_x=0;e_x1=N:1;%计算滤波的均值，计算滤波误差的均值for i=1:Ne_x(i)=x(i)-xk_s(i);%误差=真实值-滤波估计值end%%作图%%t=1:N;figure(1);plot(t,x,'r-',t,y,'g:',t,xk_s,'b-.');legend('真是轨迹','观测样本','估计轨迹');figure(2);plot(e_x);legend('平均误差');

（2）噪声方差为4时：

clc;clear all;maxlag=100;N=100;%观测点数取100x=zeros(N,1);y=zeros(N,1);%%列出状态方程%%x(1)=randn(1,1);x(2)=randn(1,1)+1.352*x(1);x(3)=randn(1,1)+1.352*x(2)-1.338*x(1);x(4)=randn(1,1)+1.352*x(3)-1.338*x(2)+0.602*x(1);for n=5:Nx(n)=1.352*x(n-1)-1.338*x(n-2)+0.602*x(n-3)-0.24*x(n-4)+randn(1,1);%x为真实值endv=4*randn(N,1);y=x+v;%z_x为观测样本值=真值+噪声%%滤波%%x=x';y=y';xk_s(1)=y(1);%赋初值xk_s(2)=y(2);xk_s(3)=y(3);xk_s(4)=y(4);xk=[y(1);y(2);y(3);y(4)];%%维纳滤波器的生成[rx,lags]=xcorr(y,maxlag,'biased');%观测信号的自相关函数rx1=toeplitz(rx(101:end));%对称化自相关函数矩阵使之成为方阵，滤波器的阶数为101阶rx2=xcorr(x,y,maxlag,'biased');%观测信号与期望信号的互相关函数rx2=rx2(101:end);h=inv(rx1)*rx2';%维纳霍夫方程xk_s=filter(h,1,y);%加噪信号通过滤波器后的输出e_x=0;eq_x=0;e_x1=N:1;%计算滤波的均值，计算滤波误差的均值for i=1:Ne_x(i)=x(i)-xk_s(i);%误差=真实值-滤波估计值end%%作图%%t=1:N;figure(1);plot(t,x,'r-',t,y,'g:',t,xk_s,'b-.');legend('真是轨迹','观测样本','估计轨迹');figure(2);plot(e_x);legend('平均误差');

6.2 卡尔曼滤波器程序

（1）噪声方差为1时：

N=100;x=zeros(N,1);y=zeros(N,1);var=1;I=[1,0,0,0;0,1,0,0;0,0,1,0;0,0,0,1];x(1)=randn(1,1);x(2)=randn(1,1)+1.352*x(1);x(3)=randn(1,1)+1.352*x(2)-1.338*x(1);x(4)=randn(1,1)+1.352*x(3)-1.338*x(2)+0.602*x(1);for n=5:Nx(n)=1.352*x(n-1)-1.338*x(n-2)+0.602*x(n-3)-0.24*x(n-4)+randn(1,1);endv=randn(N,1);y=x+v;xk_s(1)=y(1);xk_s(2)=y(2);xk_s(3)=y(3);xk_s(4)=y(4);Ak=[1.352,-1.338,0.662,0.240;1,0,0,0;0,1,0,0;0,0,1,0];Ck=[1,0,0,0];Rk=[1];Pk=[1 0 0 00 1 0 00 0 1 00 0 0 1];xk=[y(1);y(2);y(3);y(4)];Qk=[1];for r=5:Nyk=y(r);Pk1=Ak*Pk*Ak'+Qk;Hk=Pk1*Ck'*inv(Ck*Pk1*Ck'+Rk);xk=Ak*xk+Hk*(yk-Ck*Ak*xk);Pk=(I-Hk*Ck)*Pk1;xk_s(r)=xk(1,1);ende_x=0;for i=1:Ne_x(i)=x(i)-xk_s(i);endt=1:N;figure(1);plot(t,x,'r-',t,y,'g:',t,xk_s,'b-');legend('真实轨迹','观测样本','估计轨迹');figure(2);plot(e_x);legend('平均误差');

（2）噪声方差为4时：

N=100;x=zeros(N,1);y=zeros(N,1);var=2;I=[1,0,0,0;0,1,0,0;0,0,1,0;0,0,0,1];x(1)=randn(1,1);x(2)=randn(1,1)+1.352*x(1);x(3)=randn(1,1)+1.352*x(2)-1.338*x(1);x(4)=randn(1,1)+1.352*x(3)-1.338*x(2)+0.602*x(1);for n=5:Nx(n)=1.352*x(n-1)-1.338*x(n-2)+0.602*x(n-3)-0.24*x(n-4)+randn(1,1);endv=4*randn(N,1);y=x+v;xk_s(1)=y(1);xk_s(2)=y(2);xk_s(3)=y(3);xk_s(4)=y(4);Ak=[1.352,-1.338,0.662,0.240;1,0,0,0;0,1,0,0;0,0,1,0];Ck=[1,0,0,0];Rk=[1];Pk=[1 0 0 00 1 0 00 0 1 00 0 0 1];xk=[y(1);y(2);y(3);y(4)];Qk=[1];for r=5:Nyk=y(r);Pk1=Ak*Pk*Ak'+Qk;Hk=Pk1*Ck'*inv(Ck*Pk1*Ck'+Rk);xk=Ak*xk+Hk*(yk-Ck*Ak*xk);Pk=(I-Hk*Ck)*Pk1;xk_s(r)=xk(1,1);ende_x=0;for i=1:Ne_x(i)=x(i)-xk_s(i);endt=1:N;figure(1);plot(t,x,'r-',t,y,'g:',t,xk_s,'b-');legend('真实轨迹','观测样本','估计轨迹');figure(2);plot(e_x);legend('平均误差');

随机数字信号处理实验报告一——维纳滤波和卡尔曼滤波相关推荐

随机数字信号处理实验报告三——Levinson和Burg递推法MATLAB实现
完整的实验报告下载连接https://download.csdn.net/download/LIsaWinLee/14884452 一.实验原理随机信号的功率谱密度用来描述信号的能量特征随频率的变化 ...
随机数字信号处理实验报告二——自适应滤波MATLAB
完整的实验报告下载链接https://download.csdn.net/download/LIsaWinLee/14884404 一.实验原理自适应滤波器由参数可调的数字滤波器和自适应算法两部分组 ...
matlab fft谱分析实验报告,数字信号处理实验报告-FFT算法的MATLAB实现.doc
数字信号处理实验报告-FFT算法的MATLAB实现.doc 数字信号处理实验报告实验二FFT算法的MATLAB实现一.实验目的通过本实验的学习,掌握离散傅立叶变换的理论,特别是FFT的基本算法以及其 ...
matlab数字信号处理实验报告,数字信号处理实验报告一离散信号及其MATLAB实验...
数字信号处理离散信号及其MATLAB实验南昌航空大学实验报告 2012 年 04 月 06 日课程名称: 数字信号处理实验名称: 离散信号及其MATLAB实现班级: 090423班学号: ...
matlab数字信号处理实验报告,数字信号处理实验报告(Matlab与数字信号处理基础).doc...
西华大学实验报告(理工类) 开课学院及实验室:电气信息学院 6A-205实验时间 :年月日学生姓名学号成绩学生所在学院电气信息学院年级/专业/班课程名称数字信号处理课程代码实验项目 ...
matlab数字信号处理实验报告,【实验设计论文】Matlab的数字信号处理课程实验设计(共3490字)...
摘要:本文设计了一个基于Matlab的"数字信号处理"课程综合性实验.该实验把"数字信号处理"课程中的许多离散的知识点串接了起来,包括采样.量化.滤波器设计.滤 ...
信号加白噪声分贝matlab程序,数字信号处理实验报告.doc
PAGE 1 1.DFT在信号频谱分析中的应用 1.1设计目的 (1) 熟悉DFT的性质. (2) 加深理解信号频谱的概念及性质. (3)了解高密度谱与高分辨率频谱的区别. 1.2设计任务与要求 (1 ...
随机数字信号处理期末大报告——基于卡尔曼滤波的自由落体运动目标跟踪MATLAB实现
完整的实验报告下载随机数字信号处理期末大报告-基于卡尔曼滤波的自由落体运动目标跟踪.docx-机器学习文档类资源-CSDN下载程序包及所需数据下载 target tracking us ...
Matlab验证dtft共轭性质,数字信号处理实验4重点.docx
深圳大学实验报告课程名称: 数字信号处理实验实验项目名称: 实验4 学院: 信息工程学院专业: 电子信息工程指导教师: 陈佳义报告人: 学号: 班级: 实验时间: 11.12 ...

随机数字信号处理实验报告一——维纳滤波和卡尔曼滤波

完整的实验报告下载连接https://download.csdn.net/download/LIsaWinLee/14884356

一、实验原理

1.1维纳滤波器原理

1.2卡尔曼滤波器原理

二、实验内容

三、实验过程

3.1维纳滤波器

3.2卡尔曼滤波器

四、实验结果

4.1 维纳滤波器实验结果

4.2 卡尔曼滤波器实验结果

五、总结与展望

六、附录

6.1 维纳滤波器程序

6.2 卡尔曼滤波器程序

随机数字信号处理实验报告一——维纳滤波和卡尔曼滤波相关推荐

最新文章

热门文章