卡尔曼滤波器在PID控制器中的应用

学生姓名：潘培哲

学号： 12013002347 专业：控制工程

指导教师：李鹏

云南大学信息学院

一、引言

传统的倒立摆系统采用单纯的PID 控制模式，这种控制模式虽然可以在一定程度上满足系统的要求，但是具有精度差，响应时间长，稳定性不高等不足之处．造成这种情况的一个原因是控制信号中含有噪声干扰，噪声干扰会在很大程度上影响系统的性能．另外，除了以上提到的外界干扰外，系统内部也存在干扰，主要包括建模时因抽象和简化而引入的结构干扰以及实际系统中因参数变化而引入的参数干扰．因此，为了提高系统的稳定性，使之具有较短的响应时间和控制精度，本文设计了一种基于卡尔曼滤波器的PID 控制系统，通过卡尔曼滤波器对系统的一些噪声进行滤波处理之后，对系统的随机误差进行了比普通PID 更进一步的补偿，获得了更为精确的系统模型，从而使系统的稳定性和精度以及响应时间都得到了有效的提高．本文以直线小车倒立摆为例,研究了卡尔曼滤波器在倒立摆控制系统中的应用．

二、卡尔曼滤波器原理

在现代随机最优控制和随机信号处理技术中，信号和噪声往往是多维非平稳随机过程，因其时变性，功率谱不固定．在1960年卡尔曼提出了卡尔曼滤波理论，该理论采用时域上的递推算法在计算机上进行数据滤波处理．

对于离散域系统：

离散卡尔曼滤波器递推算法为：

图1 卡尔曼滤波器结构图

三、基于卡尔曼滤波器的PID 控制器工作过程

下面便以直线小车倒立摆为被控对象，来进一步研究卡尔曼滤波技术在倒立摆系统中的应用．

3.1 倒立摆系统的数学模型

对直线小车的倒立摆系统的数学建模. 对于倒立摆系统，由于其本身是自不稳定的非线性系统，实验建模存在一定的困难．但经过小心的假设忽略掉一些次要的因素后，倒立摆系统就是一个典型的运动的刚体系统，可以在惯性坐标系内应用经典力学理论建立系统的动力学方程．

对一级倒立摆线性化后得到系统的近似模型如下

对方程组进行拉普拉斯变换，得到

整理消去X（s）后得到传递函数：（假设初始条件为0）

取小车倒立摆系统各个参数如下：

摆杆质量m = 0.109kg，长度l = 0.25m，摆杆惯量I =0.0034kgm2，小车的质量M = 1.096kg，重力加速度g≈10m /s 2，小车摩擦系数b=0.1N/m/sec．进而得到倒立摆系统输入力F到输出摆杆角度θ的开环传递函数G（s）为

。

本文仅对G（s）进行分析．

3.2 带有卡尔曼滤波器的PID控制系统结构图

采用卡尔曼滤波器的PID 控制系统的结构图所示．与传统的PID 控制系统的结构图相比较，在被控对象输出值之后附加了一个卡尔曼滤波器，通过该滤波器将系统的量测噪声和控制干扰量进行消减，消减过程主要体现在经过滤波后的输出值经过反馈之后又回到了系统中，从而使得系统的性能得以提高.对G(S)式取采样时间为1ms，将对象离散化，并描述为离散状态方程的形式,

其中

meas

xhatOut

y hatOut

KALMAN

PID(z)

与传统的PID 控制系统的结构图相比较，在被控对象输出值之后

图2 采用卡尔曼滤波器的PID 控制系统的结构图

四、系统仿真

根据所示的控制系统，在Matlab ／Simulink 环境下建立仿真模型平台，并在Matlab ／Simulink 环境下编程仿真．

带有测量噪声的被控对象输出为

取控制干扰、

测量干扰信号均为方差为0.01 的白噪声信号，输入阶跃信号幅值为1，Q=1,R=1.仿真时间为4s. 将PID 参数设置为Kp=20，Ki=70，Kd=2，

仿真结果如图3，4所示：

图3 滤波后的曲线图4 未滤波曲线

图3 是采用卡尔曼滤波器结果，图4 是未采用卡尔曼滤波器的结果．通过图3 可知：采用卡尔曼滤波器后，噪声显著减小，稳定时间Ｔs 为2s，系统能够迅速的达到稳定，而未采用卡尔曼滤波器的系统，噪声含量多，控制输出不稳定．由图4 可见，使用传统PID进行控制，系统的品质较差，特别是在平衡位置附近有较大的震荡，这大大影响系统的稳定精度．

五、结论

本文简要介绍了卡尔曼滤波器波理论及其算法，在对一级倒立摆建模的基础之上，对基于卡尔曼滤波器的PID 控制进行了仿真，仿真结果证明了该方法的有效性．通过对比可以看出，采用卡尔曼波器后，只要合理选用PID 控制器参数，可以得到稳定的系统输出，显著减小噪声的影响同时，能够有效减少系统的峰值时间，减小震荡次数，快速的使系统达到稳定．

附录：

（卡尔曼滤波程序）

function [xhatOut, yhatOut] = KALMAN(u,meas) % 卡尔曼滤波器

persistent P xhat A B C Q R

% 定义持久性变量

if isempty(P)

% 赋初始值

xhat = [0;0];

P = [0.2011 0.4036;0.4036 0.81];

A = [1 0.001; -0.025 1];

B = [0.000004484;0.009];

C = [1 0];

Q = 1*eye(1);

R = 1*eye(1);

end

% 计算状态预测值和其协方差矩阵

xhat = A*xhat + B*u;

P = A*P*A' + B*Q*B';

% 计算卡尔曼增益

K = P*C'/(C*P*C' + R);

% 计算测量残差

resid = meas - C*xhat;

% 更新最优估计值以及协方差矩阵

xhat = xhat + K*resid;

P = (eye(2)-K*C)*P;

% 输出结果

xhatOut = xhat;

yhatOut = C*xhatOut;

几种非线性滤波算法的研究-内附程序

2017 年秋季学期研究生课程考核（读书报告、研究报告）考核科目:雷达系统导论学生所在（系）:电子与信息工程学院学生所在学科:电子与同学工程学生姓名: 学号: 学生类别: 考核结果阅卷人第 1 页（共页）

几种非线性滤波算法的介绍与性能分析作者姓名：学号：专业院系：电信学院电子工程系电子邮件：摘要—非线性滤波算法在雷达目标跟踪中有着重要的应用，对雷达的跟踪性能有着至关重要的影响。好的滤波算法有利于目标航迹的建立及保持，能够得到较精确的目标位置，为发现目标后的后续工作提供可靠的数据依据。本文重点介绍了雷达数据处理中的几种非线性滤波算法：扩展卡尔曼滤波（EKF）、不敏卡尔曼滤波（UKF）、粒子滤波（PF），并且给出了一个利用这三种算法进行数据处理的一个实例，通过这个实例对比分析了这三种算法的性能以及优劣。关键字—非线性滤波算法；扩展卡尔曼滤波；不敏卡尔曼滤波；粒子滤波； I.概述（一级表题格式）在雷达对目标进行跟踪前要先对目标进行检测。对于满足检测条件的目标就需要进行跟踪，在跟踪的过程中可以利用新获得的数据完成对目标的进一步检测比如去除虚假目标等，同时利用跟踪获得数据可以进一步完成对目标动态特性的检测和识别。因此对目标进行准确的跟踪是雷达性能的一个重要指标。在检测到满足条件的目标后，根据目标运动状态建立目标运动模型，然后对目标跟踪算法进行设计，这是雷达目标跟踪中的核心部分。目前主要的跟踪算法包括线性自回归滤波，两点外推滤波、维纳滤波、- αβ滤波、加权最小二乘滤波、维纳滤波和卡尔曼滤波[1]。对于线性系统而言最优滤波的方法就是卡尔曼滤波，卡尔曼滤波是线性高斯模型下的最优状态估计算法。但是实际问题中目标的运动模型往往不是线性的，因此卡尔曼滤波具有很大的局限性。目前主要用的非线性滤波算法可以分为高斯滤波和粒子滤波[2]。不敏卡尔曼滤波和扩展卡尔曼滤波就是高斯滤波中的典型代表，也是应用相对较为广泛的。粒子滤波的应用范围比高斯滤波的适用范围要广，对于系统状态非线性，观测模型非高斯等问题都有很好的适用性。本文具体分析阐述了扩展卡尔曼滤波算法，不敏卡尔曼滤波算法，粒子滤波算法，并且通过一个实例利用仿真的方法分析了这三种算法在滤波性能上的优劣，最后对这三种算法做了一定的总结。我本科毕业设计题目为《基于历史数据的路径生成算法研究》，由于我是跨专业保研到电信学院，该课题所研究内容不属于雷达系统研究范围，是一种城市路网最快路径生成算法。 II.几种非线性滤波算法 A.扩展卡尔曼滤波扩展卡尔曼滤波是将非线性系统转换为近似的线性系统的一种方法，其核心思想是围绕滤波值将非线性函数展开成泰勒级数并略去二阶及以上的项，得到一个近似的线性化模型，然后应用卡尔曼滤波完成状态估计。扩展卡尔曼滤波状态空间模型： k k k w x f+ = + ) ( x 1 状态方程 k k k v x h+ =) ( z观测方程其中(.) f和(.) h为非线性函数在扩展卡尔曼滤波中，状态的预测以及观测值的预测由非线性函数计算得出，线性卡尔曼滤波中的状态转移矩阵A阵和观测矩阵H阵由f和h函数的雅克比矩阵代替。对 (.) f和(.) h Taylor展开，只保留一次项有： ) ? ( ) ?( ) ( k k k k k x x A x f x f- + ≈ ) ? ( ) ?( ) ( k k k k k x x H x h x h- + ≈ 其中： k k x x k k dx df A ?= =为f对 1- k x求导的雅克比矩阵 k k x x k k dx dh H ?= =为h对 1- k x求导的雅克比矩阵 ) ?( ? 1-k k x f x=，于是可以得出： k k k k k k k w x A x f x A x+ - + ≈ + ) ? ) ?( ( 1 k k k k k k k v x H x h x H z+ - + ≈ + ) ? ) ?( ( 1 通过以上变换，将非线性问题线性化。接下来EKF 滤波过程同线性卡尔曼滤波相同，公式如下: )) | (?( ) |1 ( X?k k X f k k= + ) ( ) ( ) | ( ) ( ) |1 (P k Q k k k P k k k+ Φ' Φ = + )1 ( )1 ( ) |1 ( )1 ( )1 (S+ + + ' + + = +k R k H k k P k H k )1 ( )1 ( ) |1 ( )1 ( K1+ + ' + = +-k S k H k k P k

卡尔曼滤波算法总结

Kalman_Filter(float Gyro,float Accel) { Angle+=(Gyro - Q_bias) * dt; Pdot[0]=Q_angle - PP[0][1] - PP[1][0]; Pdot[1]= - PP[1][1]; Pdot[2]= - PP[1][1]; Pdot[3]=Q_gyro; PP[0][0] += Pdot[0] * dt; PP[0][1] += Pdot[1] * dt; PP[1][0] += Pdot[2] * dt; PP[1][1] += Pdot[3] * dt; Angle_err = Accel - Angle; PCt_0 = C_0 * PP[0][0]; PCt_1 = C_0 * PP[1][0]; E = R_angle + C_0 * PCt_0; K_0 = PCt_0 / E; K_1 = PCt_1 / E; t_0 = PCt_0; t_1 = C_0 * PP[0][1]; PP[0][0] -= K_0 * t_0; PP[0][1] -= K_0 * t_1; PP[1][0] -= K_1 * t_0; PP[1][1] -= K_1 * t_1; Angle += K_0 * Angle_err; Q_bias += K_1 * Angle_err; Gyro_x = Gyro - Q_bias; } 首先是卡尔曼滤波的5个方程： -=--+（1）先验估计 X k k AX k k Bu k (|1)(1|1)() -=--+（2）协方差矩阵的预测(|1)(1|1)' P k k AP k k A Q

卡尔曼滤波算法与matlab实现

一个应用实例详解卡尔曼滤波及其算法实现标签：算法filtermatlabalgorithm优化工作 2012-05-14 10:48 75511人阅读评论(25) 收藏举报分类：数据结构及其算法（4）为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。由于我们用于估算k时刻的实际温度有两个温度值，分别是23 度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance（协方差）来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56 度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度

卡尔曼滤波器及其简matlab仿真

卡尔曼滤波器及其简matlab仿真一、卡尔曼滤波的起源谈到信号的分析与处理，就离不开滤波两个字。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内，为了消除噪声，可以进行频域滤波。但在许多应用场合，需要直接进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但其所依据的理论，即针对随机信号的估计理论，是自成体系的。人们对于随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文A New Approach to Linear Filtering and Prediction Problems （线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它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。卡尔曼滤波不要求保存过去的测量数据，当新的数据到来时，根据新的数据和前一时刻的储值的估计，借助于系统本身的状态转移方程，按照一套递推公式，即可算出新的估值。卡尔曼递推算法大大减少了滤波装置的存储量和计算量，并且突破了平稳随机过程的限制，使卡尔曼滤波器适用于对时变信号的实时处理。

卡尔曼滤波器及其简matlab仿真.

卡尔曼滤波器及其简matlab仿真一、卡尔曼滤波的起源谈到信号的分析与处理，就离不开滤波两个字。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内，为了消除噪声，可以进行频域滤波。但在许多应用场合，需要直接进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但其所依据的理论，即针对随机信号的估计理论，是自成体系的。人们对于随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文A New Approach to Linear Filtering and Prediction Problems（线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它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。卡尔曼滤波不要求保存过去的测量数据，当新的数据到来时，根据新的数据和前一时刻的储值的估计，借助于系统本身的状态转移方程，按照一套递推公式，即可算出新的估值。卡尔曼递推算法大大减少了滤波装置的存储量和计算量，并且突破了平稳随机过程的限制，使卡尔曼滤波器适用于对时变信号的实时处理。二、卡尔曼滤波的原理

时间序列分析方法Kalman滤波

第十三章卡尔曼滤波在本章中，我们介绍一种被称为卡尔曼滤波的十分有用的工具。卡尔曼滤波的基本思想是将动态系统表示成为一种称为状态空间表示的特殊情形。卡尔曼滤波是对系统线性投影进行序列更新的算法。除了一般的优点以外，这种算法对计算确切的有限样本预测、计算Gauss ARMA 模型的确切似然函数、估计具有时变参数的自回归模型等，都提供了重要方法。 §13.1 动态系统的状态空间表示我们已经介绍过一些随机过程的动态表示方法，下面我们在以前的假设基础上，继续分析动态系统的表示方法。 13.1.1 继续使用的假设假设t y 表示时刻t 观测到的n 维随机向量，一类非常丰富的描述t y 动态性的模型可以利用一些可能无法观测的被称为状态向量(state vector)的r 维向量t ξ表示，因此表示t y 动态性的状态空间表示(state-space representation)由下列方程系统给出： 11+++=t t t v ξF ξ 状态方程(state model) (13.1) t t t w ξH x A y t +'+'= 量测方程(observation model) (13.2) 这里F ，A '和H '分别是阶数为r r ?，k n ?和r n ?的参数矩阵，t x 是1?k 的外生或者前定变量。方程(13.1)被称为状态方程(state model)，方程(13.2)被称为量测方程(observation model)，1?r 维向量t v 和1?n 维向量t w 都是向量白噪声，满足： ???≠=='τ ττ t t E t ,,)(0Q v v (13.3) ? ??≠=='τττt t E t ,,)(0R w w (13.4) 这里Q 和R 是r r ?和n n ?阶矩阵。假设扰动项t v 和t w 对于所有阶滞后都是不相关的，即对所有t 和τ，有： 0w v =')(τ t E (13.5) t x 是外生或者前定变量的假定意味着，在除了包含在121,,,y y y Λ--t t 内的信息以外，t x 没有为s t +ξ和s t +w (Λ,2,1,0=s )提供任何新的信息。例如，t x 可以包括t y 的滞后值，也可以包括与τξ和τw (任意τ)不相关的变量。方程系统中方程(13.1)至方程(13.5)可以表示有限观测值的序列 },,,{21T y y y Λ，这时需要状态向量初始值1ξ。假设1ξ与t v 和t w 的任何实现都不

几种卡尔曼滤波算法理论

自适应卡尔曼滤波卡尔曼滤波发散的原因如果卡尔曼滤波是稳定的，随着滤波的推进，卡尔曼滤波估计的精度应该越来越高，滤波误差方差阵也应趋于稳定值或有界值。但在实际应用中，随着量测值数目的增加，由于估计误差的均值和估计误差协方差可能越来越大，使滤波逐渐失去准确估计的作用，这种现象称为卡尔曼滤波发散。引起滤波器发散的主要原因有两点：（1）描述系统动力学特性的数学模型和噪声估计模型不准确，不能直接真实地反映物理过程，使得模型与获得的量测值不匹配而导致滤波发散。这种由于模型建立过于粗糙或失真所引起的发散称为滤波发散。（2）由于卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差将逐渐积累。如果计算机字长不够长，这种积累误差很有可能使估计误差方差阵失去非负定性甚至失去对称性，使滤波增益矩阵逐渐失去合适的加权作用而导致发散。这种由于计算舍入误差所引起的发散称为计算发散。针对上述卡尔曼滤波发散的原因，目前已经出现了几种有效抑制滤波发散的方法，常用的有衰减记忆滤波、限定记忆滤波、扩充状态滤波、有限下界滤波、平方根滤波、和自适应滤波等。这些方法本质上都是以牺牲滤波器的最优性为代价来抑制滤波发散，也就是说，多数都是次优滤波方法。自适应滤波在很多实际系统中，系统过程噪声方差矩阵Q和量测误差方差阵R事先是不知道的，有时甚至连状态转移矩阵或量测矩阵H也不能确切建立。如果所建立的模型与实际模型不符可能回引起滤波发散。自适应滤波就是这样一种具有抑制滤波发散作用的滤波方法。在滤波过程中，自适应滤波一方面利用量测值修正预测值，同时也对未知的或不确切的系统模型参数和噪声统计参数进行估计修正。自适应滤波的方法很多，包括贝叶斯法、极大似然法、相关法与协方差匹配法，其中最基本也是最重要的是相关法，而相关法可分为输出相关法和新息相关法。

卡尔曼滤波算法总结

卡尔曼滤波算法总结-标准化文件发布号：（9556-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII

2015.12.12 void Kalman_Filter(float Gyro,float Accel) { Angle+=(Gyro - Q_bias) * dt; Pdot[0]=Q_angle - PP[0][1] - PP[1][0]; Pdot[1]= - PP[1][1]; Pdot[2]= - PP[1][1]; Pdot[3]=Q_gyro; PP[0][0] += Pdot[0] * dt; PP[0][1] += Pdot[1] * dt; PP[1][0] += Pdot[2] * dt; PP[1][1] += Pdot[3] * dt; Angle_err = Accel - Angle; PCt_0 = C_0 * PP[0][0]; PCt_1 = C_0 * PP[1][0]; E = R_angle + C_0 * PCt_0; K_0 = PCt_0 / E; K_1 = PCt_1 / E; t_0 = PCt_0; t_1 = C_0 * PP[0][1]; PP[0][0] -= K_0 * t_0; PP[0][1] -= K_0 * t_1; PP[1][0] -= K_1 * t_0; PP[1][1] -= K_1 * t_1; Angle += K_0 * Angle_err; Q_bias += K_1 * Angle_err; Gyro_x = Gyro - Q_bias; }

首先是卡尔曼滤波的5个方程： (|1)(1|1)() X k k AX k k Bu k -=--+（1）先验估计 (|1)(1|1)'P k k AP k k A Q -=--+（2）协方差矩阵的预测 ()(|1)'/(|1)')Kg k P k k H HP k k H R =--+（3）计算卡尔曼增益 (|)(|1)()(()(|1))X k k X k k Kg k Z k HX k k =-+--（4）进行修正 5个式子比较抽象，现在直接用实例来说：一、卡尔曼滤波第一个式子对于角度来说，我们认为此时的角度可以近似认为是上一时刻的角度值加上上一时刻陀螺仪测得的角加速度值乘以时间，因为d dt θω=?，角度微分等于时间的微分乘以角速度。但是陀螺仪有个静态漂移（而且还是变化的），静态漂移就是静止了没有角速度然后陀螺仪也会输出一个值，这个值肯定是没有意义的，计算时要把它减去。由此我们得到了当前角度的预测值Angle Angle=Angle+(Gyro - Q_bias) * dt; 其中等号左边Angle 为此时的角度，等号右边Angle 为上一时刻的角度，Gyro 为陀螺仪测的角速度的值，dt 是两次滤波之间的时间间隔，我们的运行周期是4ms 或者6ms 。同时 Q_bias 也是一个变化的量。但是就预测来说认为现在的漂移跟上一时刻是相同的，即 Q_bias=Q_bias 将上面两个式子写成矩阵的形式 1_0 1_0 Angle dt Angle dt Q bias Q bia o s Gyr -= + 得到上式，这个式子对应于卡尔曼滤波的第一个式子 (|1)(1|1)() X k k AX k k Bu k -=--+ (|)(|1) P k k I Kg k H P k k =--（（））（5）更新协方差阵

卡尔曼滤波简介及其算法实现代码

卡尔曼滤波简介及其算法实现代码卡尔曼滤波算法实现代码（C，C＋＋分别实现）卡尔曼滤波器简介近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器（What is the Kalman Filter?）在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.360docs.net/doc/016486971.html,/~welch/media/pdf/Kalman1960.pdf。简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。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。 2．卡尔曼滤波器的介绍（Introduction to the Kalman Filter）为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就

卡尔曼滤波的基本原理及应用

卡尔曼滤波的基本原理及应用卡尔曼滤波在信号处理与系统控制领域应用广泛，目前，正越来越广泛地应用于计算机应用的各个领域。为了更好地理解卡尔曼滤波的原理与进行滤波算法的设计工作，主要从两方面对卡尔曼滤波进行阐述：基本卡尔曼滤波系统模型、滤波模型的建立以及非线性卡尔曼滤波的线性化。最后，对卡尔曼滤波的应用做了简单介绍。卡尔曼滤波属于一种软件滤波方法，其基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。最初的卡尔曼滤波算法被称为基本卡尔曼滤波算法，适用于解决随机线性离散系统的状态或参数估计问题。卡尔曼滤波器包括两个主要过程：预估与校正。预估过程主要是利用时间更新方程建立对当前状态的先验估计，及时向前推算当前状态变量和误差协方差估计的值，以便为下一个时间状态构造先验估计值；校正过程负责反馈，利用测量更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。这样的一个过程，我们称之为预估－校正过程，对应的这种估计算法称为预估－校正算法。以下给出离散卡尔曼滤波的时间更新方程和状态更新方程。时间更新方程：状态更新方程：在上面式中，各量说明如下： A：作用在X k-1上的n×n 状态变换矩阵 B：作用在控制向量U k-1上的n×1 输入控制矩阵 H：m×n 观测模型矩阵，它把真实状态空间映射成观测空间 P k－：为n×n 先验估计误差协方差矩阵 P k：为n×n 后验估计误差协方差矩阵 Q：n×n 过程噪声协方差矩阵 R：m×m 过程噪声协方差矩阵 I：n×n 阶单位矩阵K k：n×m 阶矩阵，称为卡尔曼增益或混合因数随着卡尔曼滤波理论的发展，一些实用卡尔曼滤波技术被提出来，如自适应滤波，次优滤波以及滤波发散抑制技术等逐渐得到广泛应用。其它的滤波理论也迅速发展，如线性离散系统的分解滤波（信息平方根滤波，序列平方根滤波，UD 分解滤波），鲁棒滤波（H∞波）。非线性样条自适应滤波：这是一类新的非线性自适应滤波器，它由一个线性组合器后跟挠性无记忆功能的。涉及的自适应处理的非线性函数是基于可在学习

时间序列分析方法之卡尔曼滤波

第十三章卡尔曼滤波在本章中，我们介绍一种被称为卡尔曼滤波的十分有用的工具。卡尔曼滤波的基本思想是将动态系统表示成为一种称为状态空间表示的特殊情形。卡尔曼滤波是对系统线性投影进行序列更新的算法。除了一般的优点以外，这种算法对计算确切的有限样本预测、计算Gauss ARMA 模型的确切似然函数、估计具有时变参数的自回归模型等，都提供了重要方法。 §13.1 动态系统的状态空间表示我们已经介绍过一些随机过程的动态表示方法，下面我们在以前的假设基础上，继续分析动态系统的表示方法。 13.1.1 继续使用的假设假设表示时刻观测到的n 维随机向量，一类非常丰富的描述动态性的模型可以利用一些可能无法观测的被称为状态向量(state vector)的r 维向量表示，因此表示动态性的状态空间表示(state-space representation)由下列方程系统给出：状态方程(state model) (13.1) 量测方程(observation model) (13.2) 这里，和分别是阶数为，和的参数矩阵，是的外生或者前定变量。方程(13.1)被称为状态方程(state model)，方程(13.2)被称为量测方程(observation model)，维向量和维向量都是向量白噪声，满足： (13.3) (13.4) 这里和是和阶矩阵。假设扰动项和对于所有阶滞后都是不相关的，即对所有和，有： (13.5) t x 是外生或者前定变量的假定意味着，在除了包含在121,,,y y y t t 内的信息以外，t x 没有为s t ξ和s t w ( ,2,1,0 s )提供任何新的信息。例如，t x 可以包括t y 的滞后值，也可以包括与 ξ和 w (任意 )不相关的变量。方程系统中方程(13.1)至方程(13.5)可以表示有限观测值的序列},,,{21T y y y ，这时需要状态向量初始值1ξ。假设1ξ与t v 和t w 的任何实现都不相关：

卡尔曼滤波器介绍 --- 最容易理解

10.6 卡尔曼滤波器简介本节讨论如何从带噪声的测量数据把有用信号提取出来的问题。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内。如前所述，为了消除噪声，可以把 FIR滤波器或IIR滤波器设计成合适的频带滤波器，进行频域滤波。但在许多应用场合，需要进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但所依据的理论,即针对随机信号的估计理论,是自成体系的。人们对随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。最小均方误差是一种常用的比较简单的经典准则。典型的线性估计器是离散时间维纳滤波器与卡尔曼滤波器。对于平稳时间序列的最小均方误差估计的第一个明确解是维纳在1942年2月首先给出的。当时美国的一个战争研究团体发表了一个秘密文件，其中就包括维纳关于滤波问题的研究工作。这项研究是用于防空火力控制系统的。维纳滤波器是基于最小均方误差准则的估计器。为了寻求维纳滤波器的冲激响应，需要求解著名的维纳-霍夫方程。这种滤波理论所追求的是使均方误差最小的系统最佳冲激响应的明确表达式。这与卡尔曼滤波（Kalman filtering）是很不相同的。卡尔曼滤波所追求的则是使均方误差最小的递推算法。在维纳进行滤波理论研究并导出维纳-霍夫方程的十年以前，在1931年，维纳和霍夫在数学上就已经得到了这个方程的解。对于维纳-霍夫方程的研究，20世纪五十年代涌现了大量文章，特别是将维纳滤波推广到非平稳过程的文章甚多，但实用结果却很少。这时正处于卡尔曼滤波问世的前夜。维纳滤波的困难问题，首先在上世纪五十年代中期确定卫星轨道的问题上遇到了。1958年斯韦尔林（Swerling）首先提出了处理这个问题的递推算法，并且立刻被承认和应用。1960年卡尔曼进行了比斯韦尔林更有意义的工作。他严格地把状态变量的概念引入到最小均方误差估计中来，建立了卡尔曼滤波理论。空间时代的到来推动了这种滤波理论的发展。维纳滤波与卡尔曼滤波所研究的都是基于最小均方误差准则的估计问题。维纳滤波理论的不足之处是明显的。在运用的过程中，它必须把用到的全部数据存储起来，而且每一时刻都要通过对这些数据的运算才能得到所需要的各种量的估值。按照这种滤波方法设置的专用计算机的存储量与计算量必然很大，很难进行实时处理。虽经许多科技工作者的努力，在解决非平稳过程的滤波问题时，给出能用的方法为数甚少。到五十年代中期，随着空间技术的发展，这种方法越来越不能满足实际应用的需要，面临了新的挑战。尽管如此，维纳滤波理论在滤波理论中的开拓工作是不容置疑的，维纳在方法论上的创见，仍然影响着后人。五十年代中期，空间技术飞速发展，要求对卫星轨道进行精确的测量。为此，人们将滤波问题以微分方程表示，提出了一系列适应空间技术应用的精练算法。1960年

卡尔曼滤波简介和实例讲解.

卡尔曼，美国数学家和电气工程师。1930年5月 19日生于匈牙利首都布达佩斯。1953年在美国麻省理工学院毕业获理学士学位,1954年获理学硕士学位,1957年在哥伦比亚大学获科学博士学位。1957～1958年在国际商业机器公司(IBM)研究大系统计算机控制的数学问题。1958～1964年在巴尔的摩高级研究院研究控制和数学问题。1964～1971年到斯坦福大学任教授。1971年任佛罗里达大学数学系统理论研究中心主任，并兼任苏黎世的瑞士联邦高等工业学校教授。1960年卡尔曼因提出著名的卡尔曼滤波器而闻名于世。卡尔曼滤波器在随机序列估计、空间技术、工程系统辨识和经济系统建模等方面有许多重要应用。1960年卡尔曼还提出能控性的概念。能控性是控制系统的研究和实现的基本概念，在最优控制理论、稳定性理论和网络理论中起着重要作用。卡尔曼还利用对偶原理导出能观测性概念，并在数学上证明了卡尔曼滤波理论与最优控制理论对偶。为此获电气与电子工程师学会(IEEE)的最高奖──荣誉奖章。卡尔曼著有《数学系统概论》(1968)等书。什么是卡尔曼滤波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。卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。释文：卡尔曼滤波器是一种由卡尔曼（Kalman）提出的用于时变线性系统的递归滤波器。这个系统可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。卡尔曼滤波的应用斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器.卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑使用了这种滤波器. 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表.

卡尔曼滤波研究综述

卡尔曼滤波研究综述 1 卡尔曼滤波简介 1.1卡尔曼滤波的由来 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文-《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它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。 1.2标准卡尔曼滤波-离散线性卡尔曼滤波为了描述方便我们作以下假设：物理系统的状态转换过程可以描述为一个离散时间的随机过程；系统状态受控制输入的影响；系统状态及观测过程都不可避免受噪声影响；对系统状态是非直接可观测的。在以上假设前提下，得到系统的状体方程和观测方程。

X ?? 1-1 式中:X k 为状态向量,L k 为观测向量,Φk,k-1为状态转移矩阵,U k-1为控制向量,一般不考虑,Γk,k-1,B k 为系数矩阵,Ωk-1为系统动态噪声向量,Δk 为观测噪声向量,其随机模型为 E(Ωk ) =0;E(Δk ) =0;cov(Ωk ,Ωj ) = D Ω(k )δkj , cov(Δk ,Δj ) = D k (k )δkj ;cov(Ωk ,Δj ) =0;E(X 0) =μx(0) var(X 0) = D(X 0);cov(X 0,Ωk ) =0;cov(X 0,Δk ) =0. 1-2 卡尔曼滤波递推公式为 X ∧(k/k) = X ∧(k/k-1)+J k (L k -B k X ∧(k/k-1)), D(k/k) = (E-J k B k )D x (k/k-1), J k = D x (k/k-1)BT k [B k D x (k/k-1)]B T k +D Δ(k)]-1, X ∧ (k/k-1) =Φk ,k-1X ∧ (k-1/k-1), D x (k/k-1) =Φk ,k-1D x (k-1/k-1)ΦT k ,k-1+Γk ,k-1D Δ(k-1)ΓT k ,k-1. 1-3 2 几种最新改进型的卡尔曼滤波算法。 2.1 近似二阶扩展卡尔曼滤波标准的卡尔曼滤波只适用于线性系统，而工程实际问题涉及的又大多是非线性系统，于是基于非线性系统线性化的扩展卡尔曼滤波(EKF)在上世纪70年代被提出,目前已经成为非线性系统中广泛应用的估计方法。近似二阶扩展卡尔曼滤波方法(AS-EKF)基于线性最小方差递推滤波框架,应用均值变换的二阶近似从而得到非线性系统的递推滤波滤波框架该滤波基于线性最小方差递推框架，状态X 的最小方差估计为

线性离散卡尔曼滤波器

线性离散卡尔曼滤波公式两种数学推导方法的比较 1. 引言卡尔曼滤波属于一种软件滤波方法，其基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。从研究的历史来看，卡尔曼是首先研究的离散形式的卡尔曼滤波问题，所以最初的卡尔曼滤波算法被称为基本卡尔曼滤波算法，适用于解决随机线性离散系统的状态或参数估计问题。下面分别对比了离散线性卡尔曼滤波器的相关公式推导的两种方法。 2. 离散线性卡尔曼滤波器的直观数学推导下面从直观角度来推导线性离散系统的卡尔曼滤波器，这是书中的推导方法。首先假设线性离散系统模型如下 ,11,11 k k k k k k k k k k k x w z H x v x ----=Φ+Γ=+ 其中，1k w -为过程噪声，k v 为观测噪声，k z 为第k 次的测量值，/?k k x 是k x 的最优线性估计，/1?k k x -是k x 的一步预报估计。过程噪声1k w -和观测噪声k v 的统计特性为： 1[]0,(,)[]0,(,)(,)0 k ww k kj k vv k kj wv E w R k j Q E v R k j R R k j δδ-===== 初始状态0x 的统计特性为： 0000?[],()E x x Var x P == 并假定0x 与k w 和k v 均无关，则有： 00(0,)(,)0(0,)(,)0 T xw k T xv k R k E x w R k E x v ==== 据以上假设及条件，可得如下直观形式 /1,11/1/1/1//1/1??????k k k k k k k k k k k k k k k k k k x x z H x x x K z --------=Φ==+

卡尔曼滤波器总结

1. 卡尔曼全名Rudolf Emil Kalman ，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems 》（线性滤波与预测问题的新方法）。基于状态空间描述对混有噪声的信号进行滤波的方法，简称卡尔曼滤波。这种方法是R.E.卡尔曼和R.S.布什于1960和1961年提出的。卡尔曼滤波是一种切实可行和便于应用的滤波方法，其计算过程通常需要在计算机上实现。实现卡尔曼滤波的装置或软件称为卡尔曼滤波器。卡尔曼滤波器（Kalman Filter ）是在克服以往滤波方法局限性的基础上提出来的，是一个最优化自回归数据处理算法（optimal recursive data processing algorithm ）。它是针对系统的部分状态或是部分状态的线性组合，且量测值中有随机误差（常称为量测噪声）。将仅与部分状态有关的测量进行处理，得出从某种统计意义上讲误差最小的更多状态的估值，从而将混有噪声（干扰）的信号中噪声滤除、提取有用信号。卡尔曼滤波是一种递推线性最小方差估计，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。现设线性时变系统的离散状态方程和观测方程为： ()()()()()X k+1F k X k G k u k ()w k =?++ ()()()()k+1H k+1X k+1k+1Y v =?+ 其中 ()k X 和()k Y 分别是k 时刻的状态矩阵和测量矩阵 ()k F 为状态转移矩阵 ()k G 为系统控制项矩阵 ()k u 为k 时刻对系统的控制量 ()k w 为k 时刻动态噪声，其协方差()Q k ()k H 为k 时刻观测矩阵 ()k v 为k 时刻测量噪声, 其协方差()R k 则卡尔曼滤波的算法流程为：状态的一步预估计()()()()()??X k+1k F k X k k G k u k |=?|+ 一步预估计协方差矩阵 ()()()()()C k+1k F k C k k F k Q k '|=?|+' 计算卡尔曼增益矩阵

卡尔曼滤波器介绍外文翻译

毕业设计(论文)外文资料翻译系：电气工程学院专业：电子信息科学与技术姓名：周景龙学号： 0601030115 外文出处： Department of Computer Science University of North Carolina at Chapel Hill Chapel Hill,NC27599-3175 附件：1.外文资料翻译译文；2.外文原文。 (用外文写)

卡尔曼滤波器介绍摘要在1960年，卡尔曼出版了他最著名的论文，描述了一个对离散数据线性滤波问题的递归解决方法。从那以后，由于数字计算的进步，卡尔曼滤波器已经成为广泛研究和应用的主题，特别在自动化或协助导航领域。卡尔曼滤波器是一系列方程式，提供了有效的计算（递归）方法去估计过程的状态，是一种以平方误差的均值达到最小的方式。滤波器在很多方面都很强大：它支持过去，现在，甚至将来状态的估计，而且当系统的确切性质未知时也可以做。这篇论文的目的是对离散卡尔曼滤波器提供一个实际介绍。这次介绍包括对基本离散卡尔曼滤波器推导的描述和一些讨论，扩展卡尔曼滤波器的描述和一些讨论和一个相对简单的（切实的）实际例子。离散卡尔曼滤波器在1960年，卡尔曼出版了他最著名的论文，描述了一个对离散数据线性滤波问题的递归解决方法[Kalman60]。从那以后，由于数字计算的进步，卡尔曼滤波器已经成为广泛研究和应用的主题，特别在自动化或协助导航领域。第一章讲述了对卡尔曼滤波器非常“友好的”介绍[Maybeck79]，而一个完整的介绍可以在[Sorenson70]找到，也包含了一些有趣的历史叙事。更加广泛的参考包括Gelb74；Grewal93；Maybeck79；Lewis86；Brown92；Jacobs93]. 被估计的过程卡尔曼滤波器卡用于估计离散时间控制过程的状态变量 n x ∈?。这个离散时间过程由以下离散随机差分方程描述： 111k k k k x Ax bu w ---=++ （1.1）测量值m z ∈?，k k k z Hx v =+ （1.2）随机变量k w 和k v 分别表示过程和测量噪声。他们之间假设是独立的，正态分布的高斯白噪: ()~(0)p w N Q ，（1.3） ()~(0)p v N R ，（1.4）在实际系统中，过程噪声协方差矩阵Q 和观测噪声协方差矩阵R 可能会随每次迭代计算而变化。但在这儿我们假设它们是常数。当控制函数1k u - 或过程噪声1k w -为零时，差分方程1.1中的n n ? 阶增益矩阵A 将过去k-1 时刻状态和现在的k 时刻状态联系起来。实际中A 可能随时间变化，但