捷联惯导系统学习5.2(递归最小二乘法 )
采用递推方式求解最小二乘法(Recursive Least Square RLS)可以有效减小数据存储量。
测量方程
Z‾k=H‾kX+V‾k\overline Z_k=\overline H_kX+\overline V_kZk=HkX+Vk
Z‾k=[Z1Z2Z3...Zi],H‾k=[H1H2H3...Hi],V‾k=[V1V2V3...Vi]E[V‾i]=0,E[V‾iV‾iT]=R‾i=diag(R1,R2,R3,...)\overline Z_k=\left[\begin{matrix}Z_1\\Z_2\\Z_3\\...\\Z_i \end{matrix}\right],\overline H_k=\left[\begin{matrix}H_1\\H_2\\H_3\\...\\H_i \end{matrix}\right],\overline V_k=\left[\begin{matrix}V_1\\V_2\\V_3\\...\\V_i \end{matrix}\right] \\ E[\overline V_i]=0,E[\overline V_i\overline V_i^T]=\overline R_i=diag(R_1,R_2,R_3,...)Zk=⎣⎢⎢⎢⎢⎡Z1Z2Z3...Zi⎦⎥⎥⎥⎥⎤,Hk=⎣⎢⎢⎢⎢⎡H1H2H3...Hi⎦⎥⎥⎥⎥⎤,Vk=⎣⎢⎢⎢⎢⎡V1V2V3...Vi⎦⎥⎥⎥⎥⎤E[Vi]=0,E[ViViT]=Ri=diag(R1,R2,R3,...)
最小二乘估计
X^WLS=(HTWH)−1HTWZ\hat X_{WLS}=(H^TWH)^{-1}H^TWZX^WLS=(HTWH)−1HTWZ
对测量方程做最小二乘估计
k−1k-1k−1时最小二乘估计
X^k−1=(H‾k−1TR‾k−1−1H‾k−1)−1H‾k−1TR‾k−1−1Z‾k−1=Pk−1H‾k−1TR‾k−1−1Z‾k−1Pk−1=(H‾k−1TR‾k−1−1H‾k−1)−1\hat X_{k-1}=(\overline H_{k-1}^T\overline R^{-1}_{k-1}\overline H_{k-1})^{-1}\overline H_{k-1}^T\overline R^{-1}_{k-1}\overline Z_{k-1}=P_{k-1} \overline H_{k-1}^T\overline R^{-1}_{k-1}\overline Z_{k-1} \\ P_{k-1} =(\overline H_{k-1}^T\overline R^{-1}_{k-1}\overline H_{k-1})^{-1}X^k−1=(Hk−1TRk−1−1Hk−1)−1Hk−1TRk−1−1Zk−1=Pk−1Hk−1TRk−1−1Zk−1Pk−1=(Hk−1TRk−1−1Hk−1)−1
kkk时最小二乘估计
X^k=(H‾kTR‾k−1H‾k)−1H‾kTR‾k−1Z‾k=Pk([H‾k−1THkT][R‾k−1−100Rk−1][Z‾k−1Zk])=Pk(H‾k−1TR‾k−1−1Z‾k−1+HkTRk−1Zk)=X^k−1+PkHkTRk−1(Zk−HkX^k−1)=X^k−1+Kk(Zk−HkX^k−1)\hat X_{k}=(\overline H_{k}^T\overline R^{-1}_{k}\overline H_{k})^{-1}\overline H_{k}^T\overline R^{-1}_{k}\overline Z_{k}\\ =P_k(\left[\begin{matrix} \overline H_{k-1}^T&H_k^T\\ \end{matrix}\right]\left[\begin{matrix} \overline R_{k-1}^{-1}&0\\0&R_k^{-1}\\ \end{matrix}\right]\left[\begin{matrix} \overline Z_{k-1}\\Z_k\\ \end{matrix}\right])\\ =P_k(\overline H_{k-1}^T\overline R^{-1}_{k-1}\overline Z_{k-1} +H_k^TR_k^{-1}Z_k)\\ =\hat X_{k-1}+P_{k}H_{k}^TR_k^{-1}(Z_k-H_k\hat X_{k-1}) \\ =\hat X_{k-1}+K_k(Z_k-H_k\hat X_{k-1})X^k=(HkTRk−1Hk)−1HkTRk−1Zk=Pk([Hk−1THkT][Rk−1−100Rk−1][Zk−1Zk])=Pk(Hk−1TRk−1−1Zk−1+HkTRk−1Zk)=X^k−1+PkHkTRk−1(Zk−HkX^k−1)=X^k−1+Kk(Zk−HkX^k−1)
Pk=H‾kTR‾k−1H‾k=([H‾k−1THkT][R‾k−1−100Rk−1][Z‾k−1Zk])−1=(Pk−1−1+HkTRk−1Hk)−1P_k=\overline H_{k}^T\overline R^{-1}_{k}\overline H_{k}=(\left[\begin{matrix} \overline H_{k-1}^T&H_k^T\\ \end{matrix}\right]\left[\begin{matrix} \overline R_{k-1}^{-1}&0\\0&R_k^{-1}\\ \end{matrix}\right]\left[\begin{matrix} \overline Z_{k-1}\\Z_k\\ \end{matrix}\right])^{-1}=(P_{k-1}^{-1}+H_k^TR_k^{-1}H_k)^{-1}Pk=HkTRk−1Hk=([Hk−1THkT][Rk−1−100Rk−1][Zk−1Zk])−1=(Pk−1−1+HkTRk−1Hk)−1
Kk=PkHkTRk−1K_k=P_{k}H_{k}^TR_k^{-1}Kk=PkHkTRk−1
最小二乘估计递推公式
Pk−1P_{k}^{-1}Pk−1左乘PkP_kPk右乘Pk−1P_{k-1}Pk−1
PkPk−1Pk−1=Pk(Pk−1−1+HkTRk−1Hk)Pk−1P_kP_k^{-1}P_{k-1}=P_k(P_{k-1}^{-1}+H_k^TR_k^{-1}H_k)P_{k-1}PkPk−1Pk−1=Pk(Pk−1−1+HkTRk−1Hk)Pk−1
得到PkP_kPk
Pk=Pk−1−PkHkTRk−1HkPk−1P_k=P_{k-1}^{}-P_kH_k^TR_k^{-1}H_kP_{k-1}Pk=Pk−1−PkHkTRk−1HkPk−1
再将PkP_kPk右乘HkTH_k^THkT整理可得:
Kk=PkHkTRk−1=Pk−1HkT(HkPk−1HkT+Rk)−1K_k=P_kH_k^TR_k^{-1}=P_{k-1}H_k^T(H_kP_{k-1}H_k^T+R_k)^{-1}Kk=PkHkTRk−1=Pk−1HkT(HkPk−1HkT+Rk)−1
得到递推公式为:
{Kk=Pk−1HkT(HkPk−1HkT+Rk)−1Pk=Pk−1−PkHkTRk−1HkPk−1X^k=X^k−1+Kk(Zk−HkX^k−1)\begin{cases} K_k=P_{k-1}H_k^T(H_kP_{k-1}H_k^T+R_k)^{-1}\\ P_k=P_{k-1}^{}-P_kH_k^TR_k^{-1}H_kP_{k-1}\\ \hat X_{k}=\hat X_{k-1}+K_k(Z_k-H_k\hat X_{k-1})\\ \end{cases}⎩⎪⎨⎪⎧Kk=Pk−1HkT(HkPk−1HkT+Rk)−1Pk=Pk−1−PkHkTRk−1HkPk−1X^k=X^k−1+Kk(Zk−HkX^k−1)
捷联惯导系统学习5.2(递归最小二乘法 )相关推荐
- 捷联惯导系统学习2.5(等效旋转矢量微分方程的泰勒级数解)
在高精度的捷联惯导系统中,陀螺仪姿态的解算往往是通过采集一定时间内的角增量信息, 计算角增量信息计算出等效旋转矢量,在通过等效旋转矢量递推余弦阵或者四元数,完成姿态更新. 等效旋转矢量微分方程的泰勒级 ...
- 捷联惯导系统学习4.1(惯导数值更新算法)
1 常用坐标系的定义 (1)地心惯性坐标系(i 系,inertial frame) 用oixiyizio_ix_iy_iz_ioixiyizi表示,原点以地球为中心, 原点oio_ioi在地 ...
- 捷联惯导系统学习7.5(低成本组合导航系统模型)
低成本组合导航系统模型 低精度MEMS惯性/卫星/地磁组合导航系统中,选择惯导系统的姿态失准角ϕ\phiϕ.速度误差δvn\delta v^nδvn.定位误差δpn\delta p^nδpn.陀螺仪相 ...
- 捷联惯导系统学习3.2(地球的正常重力场)
圆球模型下的地球重力 如图,重力为引力与离心力作用的共同结果,其中 引力:F=GMr2=ur2(G引力常数,M为地球质量,r为质点到地心距离)F=\frac{GM}{r^2}=\frac{u}{r^2 ...
- 捷联惯导系统学习6.1(一些卡尔曼滤波处理技术 )
噪声相关条件下的Kalman滤波 理想状态下的kalman需要系统噪声与测量噪声之间部不相关,如果测量噪声与系统噪声相关需要进行处理 噪声相关条件下的系统状态方程 Xk:n维状态向量X_k:n维状态向 ...
- 捷联惯导系统学习6.6(Sage-Husa自适应滤波 )
原理作用 只有准确的获得系统的结构参数和噪声统计特性参数,才能获得最优值的状态估计,实际中往往是不够准确的 可以使用量测输出(输出隐含了系统模型的某些信息)对系统系统模型进行重新估计. 量测噪声方差阵 ...
- 捷联惯导系统学习2.6(圆锥误差补偿多子样算法)
若圆锥运动的四元数更新方程为: Q(tm)=Q(Tm−1).Q(T)Q(t_m)=Q(T_{m-1}).Q(T)Q(tm)=Q(Tm−1).Q(T) ( ...四元数乘法) ( Q(T)Q(T)Q ...
- 捷联惯导系统学习2.2(等效旋转矢量)
二 等效旋转矢量: 1 一些重要的三维矢量运算关系(证明请自己找) $ u为单位矢量 ;u'是u的一阶导数$ (1):V1×(V2×V3)=(V1∗V3)V2−(V1∗V2)V3(1):V_1\tim ...
- 捷联惯导系统学习2.5(等效旋转矢量微分方程)
已知三维旋转矢量关系如下:(证明略) 参数说明: ViV_iVi表示三维空间矢量 v=∣V∣=VVTv=|V|=\sqrt{VV^T}v=∣V∣=VVT表示矢量模值 uuu为与V同方向的单位矢量即 ...
最新文章
- Windows11提前曝光!全新UI引发争议,网友:一股苹果味
- mysql 5.6 主从同步配置_Mysql 5.6主从同步配置
- python自定义全局异常_Django 自定义404 500等错误页面的实现
- [JZOJ5863] 【NOIP2018模拟9.11】移动光标
- [MySQL 优化] 移除多余的checksum
- SAP CRM 产品主数据和附件(Attachment)的模型关系
- [dp] LeetCode 62. Unique Paths
- linux的常用操作——open函数
- C#实现简单小说阅读器
- my sql实验视图_数据库SQL 视图的创建及使用实验报告(共5篇)
- puttygen.exe 生产密钥,配置SSH登陆linux服务器
- 腾讯与新浪微博开放平台之比较
- 转载的发现对自己非常有用,来分享给大家
- Windows 10连接打印机提示网路“指定的网络名已不再可用”
- 艾美捷-临床数量排名前20的药物靶点分析-磷酸二酯酶(PDEs)抗体
- 25种提高网页加载速度的方法和技巧
- SAP资产负债表实现方案探索 - 基于 VBA 自定义函数方法
- jquery实现最美照片背景色插件
- goahead移植和使用
- C++笔记:输入输出、变量、变量加减乘除
热门文章
- DIY ROV系列(三)水下机器人结构和动力设计
- gradle-4.4-all.zip下载地址分享
- 数美科技:智能时代怎么样构建金融反欺诈体系
- 如何实现网站的登录功能
- 引入的账套未配置文件服务器,用友TurboCRM - U8 - EAI数据接口常见问题
- cnn风格迁移_深度学习能否对音乐进行风格迁移?
- 获取摄像头和麦克风权限_APP在偷偷调用摄像头、麦克风?你有权知道谁在这么做...
- 文本的上划线、删除线、下划线
- 高低穿,PEA, 4105
- Win11睡眠无法唤醒怎么办?Win11睡眠无法唤醒的解决方法