直流电机运行状态的卡尔曼滤波估计器设计.doc
卡尔曼滤波器的设计
卡尔曼滤波器的设计作者：谭菊华来源：《俪人·教师版》2014年第04期【摘要】卡尔曼滤波器是一种线性、递归的估值方法，在多领域，尤其在导航领域得到了非常广泛的应用，当前己成功应用于GPS/INS组合导航，提高了一定的精度。
本文利用MATLAB实现卡尔曼滤波器滤波器。
仿真结果表明基于MATLAB设计的卡尔曼滤波器的滤波效果良好，观察噪声越小，系统噪声越大，递推次数越多，卡尔曼滤波器校正作用越好。
【关键词】卡尔曼滤波器 MATLAB 算法流程噪声Kalman在20世纪60年代提出卡尔曼滤波理论，之后很多人都很感兴趣，许多学者纷纷对卡尔曼滤波理论进行了详尽的研究和探讨。
就实现形式而言，卡尔曼滤波器实质上就是一套有数字计算机实现的递推更新，每个递归周期都包含两个过程，第一个过程需要进行状态更新；另一个过程是量测更新。
状态更新基于状态转移方程，对系统状态量进行时间预测；量测更新则在状态跟新的基础上根据实时获得的观察值确定。
因而，卡尔曼滤波器的输入和输出之间就有状态更新和观察量更新的一种算法。
一、卡尔曼滤波算法四、结论从仿真波形可推断：若观测值越大，增益越小，观测数据越不可靠，校正就弱；当系统噪声强度增大，状态协方差增大，卡尔曼滤波器增益也增大，也就是说系统的不确定性增强，校正作用就大；增加迭代次数，递推次数就大，则卡尔曼滤波器的估计值越接近真实值，校正作用就越好，这卡尔曼滤波算法理论值相一致。
仿真波形结合理论，经分析可知，MATLAB软件设计的卡尔曼滤波器较好地与理论值相一致，滤波效果显著。
【参考文献】[1]秦永元，张洪钺，汪叔华.卡尔曼滤波与组合导航原理[M].西安：西北工业大学出版社，1998[2]沈云峰，朱海.量测噪声自动加权Kalman滤波[J].中国惯性技术学报，2001，9（4）：21-27。
直流电机运行状态的卡尔曼滤波估计器设计.doc.
二 〇 一 五 年 六 月题 目：直流电机运行状态的卡尔曼滤波估计器设计 学生姓名：张傲学 院：电力学院系 别：电力系专 业：风能与动力工程班 级：风能11-1指导教师：董朝轶 教授摘要卡尔曼滤波是一个迭代自回归算法，对于连续运动状态用中的大部分问题它都能够给出最优的预测。
它已经广泛应用了近半个世纪，例如数据的融合，机械的导航乃至军用雷达的导航等等。
卡尔曼滤波一般用于动态数据的处理，是从混沌的信号中提取有用信号消除误差的参数估计法。
卡尔曼滤波是依据上一个估计数值和当下的检测数据运用递推估计算出当前的估计值。
通过状态方程运用递推的方法进行估计,可以建立物体运动的模型。
本文采用的工程设计对运行状态下的直流电机进行参数的计算和校验。
而且直流电机的调节性能非常好只需要加上电阻调压就可以了，而且启动曲线非常好，启动的转矩大适合高精度的控制。
而交流电机调速需要变频，控制相对复杂一些，而对于设计无论是哪种电机都不影响结果，所以本实验采用直流电机。
简单来说卡尔曼滤波就是对被观测量进行一个物理的建模，目的是用‘道理’来约束观测结果，减少噪声的影响。
因此卡尔曼滤波是根据一个事物的当前状态预测它的下一个状态的过程。
此设计主要是通过对直流电机的数学模型利用MATLAB来设计卡尔曼滤波估计，进行仿真编程建模，进而对系统进行评估，并且分析估计误差。
关键词：卡尔曼滤波器；直流电机；MATLABAbstractKalman filter is an iterative autoregression algorithm for continuous motion of most of the problems with it are able to give the best prediction. And it has been widely used for nearly half a century, such as the integration of data, as well as military machinery of navigation radar navigation, and so on. Kalman filter is generally used to process dynamic data, extract useful signal parameter estimation method to eliminate errors from the chaotic signal. Kalman filter is based on an estimate on the value and the current detection data is calculated using recursive estimation current estimates. By using recursive state equation method to estimate the movement of objects can be modeled. The paper describes the engineering design of the DC motor running state parameter calculation and verification. The DC motor performance and adjust very well simply by adding resistance regulator on it, and start curve is very good, start torque for precision control. The required frequency AC motor speed control is relatively complicated, and for the design of either the motor does not affect the outcome.In order to facilitate learning, so wo use the DC motor. Simply the Kalman filter is to be observables conduct a physical modeling; the purpose is to use 'sense' to restrict the observations to reduce the influence of noise. Therefore, the Kalman filter is based on the current state of things predict its next state of the process.This design is mainly through the DC motor mathematical model using MATLAB to design the Kalman filter estimation, simulation modeling program, and then to evaluate the system and analyze the estimation error.Keywords：Kalman filter; DC;MATLAB目录第一章绪论 (1)1.1课题背景 (1)1.2国内外发展现状 (2)1.3本课题研究内容 (2)第二章直流电机的建模 (3)2.1MATLAB的使用 (3)2.2设计要求和直流电机的数学模型 (3)第三章卡尔曼滤波器的原理 (6)3.1卡尔曼滤波的简单介绍 (6)3.2卡尔曼滤波的原理过程 (7)3.2.1卡尔曼滤波器的计算步骤 (8)3.2.2卡尔曼了滤波的一般分类 (8)3.3仿真的过程 (8)3.4对结果进行估计 (11)3.5仿真得到的结果 (15)3.6分析估计误差 (19)结论 (21)致谢 (22)第一章绪论1.1课题背景在信号的产生和传递的过程当中，很有可能会遭受外部环境的干扰和内部设备噪声的影响，因此为了从干扰信号中提取出有用的信号，排除干扰信号，就叫做滤波。
永磁无刷直流电机转子位置的Kalman滤波估计
１ 引言
在永磁无刷 直流 电机 中，为 了实现 正确 的换相 ，必须 检测转 子 的位置 。通
常 的方法 是在 转 子 上 放置 旋转 编 码器 或开 口变压器 ，但 在某些特殊应 用中， 此法 的机 械安装 存在困难 ，另外还增加 了系统 的造价 ，降低 了系统 的可靠性 。 关 于无 位 置 传 感 器 的转 子位 置 估 算方法 ．目前有很 多种 ，大致可分为两
收辅 日期 ： ２ ０ 一０ ２ ｏ １ １－ ６
图 １ 主 电路 拓 扑
假 设 电机 的 反 电势 随 时 间 的变 化 近似 为梯 形波，如 图 ２ 所示 。在转子转 过一个 ２ “电角度 （ ） ｅ 内， 有六 次换相 。 在 ｔ＿ ｔ区问， ，＋ ： 转速 基本 不变 ， 即：
ｄ ０
— —
３ 反 电势 为 正 弦 波 的 情 况
假 设 反 电势为正 弦波 ，如 图 ３ 示 。 所
△
一
一（ Ｅ ） ６ 一
＝ 一
∽ Ⅷ
∽
（ ２）
Ａ ｔ
又 Ｅｌ ∞ ｌ＝
３ ／
／∞
（ ） ３
式 中， 为 转子永 磁体 在 定子绕 组 中产 生 的磁 链 ．为 常数 ，所 以
０ （） １
作 者 简 介 ： 董 亚 晖 ， １７ ９ ７年 生 ， 男 ，硕 士研 究 生 ，研 究 方 向 为永 磁 无刷 电机 的数 字 控 制 ．
维普资讯
２
船 电技 术
２０ 年 ０２
第 ２期
噪 声 ｖｔ （ ）的影 响， 得 可
Hale Waihona Puke 由 于 模 型 为 非 线 性 ， 可 用 扩 展 Ｋ ｌ ｎ 滤 波器 进行 状态估 计 ．但扩展 ａｍａ 的 Ｋａｍａ 滤 波 器对 参数 变 化 比较 敏 ｌ ｎ 感 。分 析 （ ）式 可看 到 ，对 它稍 加变 ５ 化 即可得 到 线性 模型 。 令ｍ 作 为状 态 变量 ，得 下式 ：
经典的卡尔曼滤波算法doc资料
经典的卡尔曼滤波算法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。
在这里只讨论系统模型参数已知，而噪声统计参数Q 和R 未知情况下的自适应滤波。
由于Q 和R 等参数最终是通过增益矩阵K 影响滤波值的，因此进行自适应滤波时，也可以不去估计Q 和R 等参数而直接根据量测数据调整K 就可以了。
卡尔曼滤波对BLDCM转速控制系统优化设计
式 （） 为系统的状态 向量， ｋ ２ 中： ｙ 为系统 的观测序 列， ∽ 为系统的过程噪声序列， 为观测噪声序列， 系统控 Ｕ为 制输入， 川 为状态转移矩 阵， Ｇ 为系数矩 阵， 为观测 ，
矩阵 。
量；二是该方法 把状态空 间的概念 引入到随机估计理论中，
Ｋ ｙ ｒｓ Ｂ ｈｅｓ ｔｒ（Ｌ ＣＶ ； ｎｖｌ ｉ ｅｅａｏ ｅｍ ｏ ｇ ｌ ｙｔ Ｒ ｔｒ ｏｉｏ ； ｏ ｔ ｎ ｌ ｐｅ ｅ ｗｏｄ ： ｍｓｌｓ ＤＣＭｏｏ Ｂ Ｄ Ｉ Ｎｏ －ｅ ｃｔ Ｇ ｎｒｔｒ ｃ ｒ ｎ ｏ Ｓ ｓ ｍ； ｏｏ ｓｉｎ Ｒ ｔ ｉ ａ Ｓ ｅｄ； Ｏ ｏ ｙ Ｖ Ｃ ｅ Ｐ ｔ ａｏ
摘 要： 本文介绍采用扩展卡 尔曼滤波对直流无刷电动机 、 无速度传感器矢量控制系统进行 实时估算 转子位置和 转速 ， 内
容主要 涉及 非线性离散系统卡 尔曼滤波算法的数学模型和 改进后的数学模型的建立 ， 其对 转子位置和转速 的估计 。 及
关键词： 直流无刷 电动机： 无速度传感器矢量控制； 转子位 置； 转速； 扩展卡尔曼滤波
ａ—ｉ ｓｉ ｔ ｎ ｏ ｔ ｒｐ ｓ ｉｎ ａ ｄ ｓ ｅ ｄ Ｉ ｍａｎ ｙ ｒｌ ｔｄ ｔ ｅ Ｋａｍａ ｌ ｒ ｇ ａ ｇ ｒｔｍ ｒｎ ｎ ｉｅ ｒｄ ｓ ｒ ｔ ｙ ｔ ｍ， ｅ ｌ ｍｅ ｅ ｔ ｔ ｍａｉ ｆｒ ｏ ｏ ｉ ｏ ｎ ｐ ｅ ． ｔ ｉ ｌ ｅ ａｅ ｏ ｔ ｌ ｎ Ｆｉ ｅｉ ｌ ｏ ｈ ｆ ｏ ｌ ａ ｉ ｅｅ ｓ ｓｅ ｔ ｏ ｏ ｔ ｈ ｔ ｎ ｉ ｏ ｎ ｃ ｈ ｍａ ｅ ｔｃ ｌ ｄ ｌ ｎ ｅｉ ｒ ｖ ｄ ｍａｈ ｍａ ｃ ｌ ｄ ｅ ， ｎ ｓｉ ａｅｏ ｔ ｒ ｏ ｉ ｏ ｎ ｅ ｄ ｅ ｔ ｔ ｓ ｈ ｔ ｍａｉａ ｍｏ ｅ ａ ｄ ｔ ｈ ｍｐ ｏ ｅ ｔ ｅ ｔ ａ ｉ ｍｏ ｌ ａ ｄ ｅ ｔ ｔ ｆ ｏ ｏ ｓｔ ｎ ａ ｄｓ ｅ ｓｉ ｅ ． ｍ ｒ ｐ ｉ ｐ ｍａ
卡尔曼滤波器设计
卡尔曼滤波器设计1.定义状态方程和观测方程：卡尔曼滤波器的设计首先需要明确过程和观测模型。
状态方程描述了系统的演化过程，通常是一个线性动力学模型。
观测方程表示测量值与状态之间的关系，也通常是一个线性模型。
2.估计系统的噪声统计性质：卡尔曼滤波器的性能与对系统噪声的准确估计密切相关。
系统噪声通常包括过程噪声和测量噪声，它们的统计性质可以通过实验或经验得到。
噪声的估计结果将用于卡尔曼滤波器的设计和参数配置。
3.初始化滤波器状态：卡尔曼滤波器需要一个初始系统状态估计值。
如果初始状态估计值比较准确，那么滤波器将更快地收敛到准确的状态估计结果。
初始状态估计可以通过历史数据、经验或其他先验知识来得到。
4.状态预测：根据系统的状态方程，可以通过对当前状态估计值进行预测，得到下一时刻的状态预测值。
预测过程中考虑了系统的动力学模型和过程噪声。
5.更新状态估计：当有新的测量数据时，可以将其与状态预测值进行比较，并通过更新状态估计来融合测量信息。
卡尔曼滤波器通过最小均方误差原理来计算综合后的状态估计值和协方差矩阵，以提供对系统状态的更准确估计。
6.重复预测和更新步骤：通过反复进行状态预测和更新步骤，可以得到系统的连续状态估计序列。
随着时间的推移，卡尔曼滤波器可以收敛到对系统状态的准确估计。
卡尔曼滤波器的设计涉及到对系统模型、噪声统计性质和初始状态的合理选择。
在实际应用中，设计者需要根据具体系统和应用需求来进行调整和优化。
此外，还可以通过引入扩展卡尔曼滤波器、无迹卡尔曼滤波器等变种算法来处理非线性系统或非高斯噪声的情况。
卡尔曼滤波器作为一种经典的状态估计算法，广泛应用于导航、控制、信号处理等领域。
它具有计算效率高、收敛速度快、适用于线性系统等优点，但也存在对模型假设的敏感性和局限性。
在实际应用中，设计者需要结合具体系统和应用场景的特点，合理选择和调整卡尔曼滤波器的参数和设计。
卡尔曼滤波器设计
卡尔曼滤波器设计卡尔曼滤波器是一种优化的、递归的滤波器，用于在含有噪声的输入数据中估计未知状态的值。
它通过组合测量值和先验信息来估计系统状态，并且在每个时刻都更新估计值。
在本文中，将详细介绍卡尔曼滤波器的设计原理和步骤。
1.定义系统模型：首先要确定系统的状态方程和测量方程。
系统的状态方程描述了状态变量如何根据控制输入和噪声的作用而演化，而测量方程则描述了如何根据状态变量和噪声来进行测量。
2.初始化：在开始使用卡尔曼滤波器之前，需要对滤波器的状态进行初始化。
通常可以使用系统的初始状态和初始协方差矩阵来进行初始化。
3.预测：在每个时刻，通过状态方程对系统的状态进行预测，同时计算预测状态的协方差矩阵。
预测的结果是根据先验信息得出的，不考虑测量值。
4.更新：在收到测量值后，根据测量方程和预测的状态，计算卡尔曼增益和估计误差协方差矩阵。
根据测量残差和卡尔曼增益的计算结果，更新状态估计值和协方差矩阵。
5.迭代：根据测量值和状态估计值的更新结果，再次进行预测和更新。
在卡尔曼滤波器设计过程中，需要确定以下几个参数：1.系统模型参数：包括状态方程中的状态转移矩阵和控制矩阵，以及测量方程中的测量矩阵。
2.协方差矩阵：包括初始状态的协方差矩阵、过程噪声的协方差矩阵和测量噪声的协方差矩阵。
协方差矩阵的选择与问题的性质有关，通常可以通过经验或分析来确定。
3.卡尔曼增益：卡尔曼增益描述了测量残差和状态估计值之间的关系。
根据测量噪声的大小和系统动态的可观测性来确定卡尔曼增益的大小。
在实际应用中，卡尔曼滤波器常用于处理连续时间的数据，例如追踪、定位和导航等领域。
它在估计系统状态时具有较低的计算复杂度和良好的性能。
然而，卡尔曼滤波器的设计需要对系统动态和噪声特性有一定的了解，且对参数的选择较为敏感。
综上所述，卡尔曼滤波器是一种优化的、递归的滤波器，在处理含噪声的输入数据时可以准确估计系统状态。
通过合理选择系统模型参数和协方差矩阵的大小，可以优化滤波器的性能。
卡尔曼滤波进行状态估计模型
卡尔曼滤波进行状态估计模型
卡尔曼滤波是一种用于估计系统状态的强大工具，它在许多领域都有着广泛的应用，包括航空航天、自动控制、金融领域等。
本文将介绍卡尔曼滤波的基本原理和应用，并探讨其在状态估计模型中的重要性。
首先，让我们了解一下卡尔曼滤波的基本原理。
卡尔曼滤波是一种递归的状态估计方法，它通过将系统的动态模型和测量模型结合起来，不断地更新对系统状态的估计。
卡尔曼滤波的核心思想是利用系统的动态模型来预测下一个时刻的状态，然后利用测量值来修正这一预测，从而得到对系统真实状态的更准确估计。
在实际应用中，卡尔曼滤波通常用于处理带有噪声的传感器数据，以及对系统状态进行估计。
例如，在飞行器导航系统中，卡尔曼滤波可以用来估计飞行器的位置和速度，从而实现精确的导航控制。
在自动驾驶汽车中，卡尔曼滤波可以用来融合来自不同传感器的数据，以实现对车辆位置和周围环境的准确估计。
除了在航空航天和自动控制领域的应用外，卡尔曼滤波在金融领域也有着重要的应用。
例如，它可以用来对金融市场的波动进行
预测，从而帮助投资者做出更明智的决策。
总之，卡尔曼滤波是一种强大的状态估计方法，它在许多领域
都有着广泛的应用。
通过结合系统动态模型和测量模型，卡尔曼滤
波可以对系统状态进行准确的估计，从而为实际应用提供了重要的
支持。
希望本文能够帮助读者更好地理解卡尔曼滤波的原理和应用，并在实际工程中加以应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
学校代码： 10128学号： ************题目：直流电机运行状态的卡尔曼滤波估计器设计****：**学院：电力学院系别：电力系专业：风能与动力工程班级：风能11-1指导教师：董朝轶教授二〇一五年六月摘要卡尔曼滤波是一个迭代自回归算法，对于连续运动状态用中的大部分问题它都能够给出最优的预测。
它已经广泛应用了近半个世纪，例如数据的融合，机械的导航乃至军用雷达的导航等等。
卡尔曼滤波一般用于动态数据的处理，是从混沌的信号中提取有用信号消除误差的参数估计法。
卡尔曼滤波是依据上一个估计数值和当下的检测数据运用递推估计算出当前的估计值。
通过状态方程运用递推的方法进行估计,可以建立物体运动的模型。
本文采用的工程设计对运行状态下的直流电机进行参数的计算和校验。
而且直流电机的调节性能非常好只需要加上电阻调压就可以了，而且启动曲线非常好，启动的转矩大适合高精度的控制。
而交流电机调速需要变频，控制相对复杂一些，而对于设计无论是哪种电机都不影响结果，所以本实验采用直流电机。
简单来说卡尔曼滤波就是对被观测量进行一个物理的建模，目的是用‘道理’来约束观测结果，减少噪声的影响。
因此卡尔曼滤波是根据一个事物的当前状态预测它的下一个状态的过程。
此设计主要是通过对直流电机的数学模型利用MATLAB来设计卡尔曼滤波估计，进行仿真编程建模，进而对系统进行评估，并且分析估计误差。
关键词：卡尔曼滤波器；直流电机；MATLABAbstractKalman filter is an iterative autoregression algorithm for continuous motion of most of the problems with it are able to give the best prediction. And it has been widely used for nearly half a century, such as the integration of data, as well as military machinery of navigation radar navigation, and so on. Kalman filter is generally used to process dynamic data, extract useful signal parameter estimation method to eliminate errors from the chaotic signal. Kalman filter is based on an estimate on the value and the current detection data is calculated using recursive estimation current estimates. By using recursive state equation method to estimate the movement of objects can be modeled. The paper describes the engineering design of the DC motor running state parameter calculation and verification. The DC motor performance and adjust very well simply by adding resistance regulator on it, and start curve is very good, start torque for precision control. The required frequency AC motor speed control is relatively complicated, and for the design of either the motor does not affect the outcome.In order to facilitate learning, so wo use the DC motor. Simply the Kalman filter is to be observables conduct a physical modeling; the purpose is to use 'sense' to restrict the observations to reduce the influence of noise. Therefore, the Kalman filter is based on the current state of things predict its next state of the process.This design is mainly through the DC motor mathematical model using MATLAB to design the Kalman filter estimation, simulation modeling program, and then to evaluate the system and analyze the estimation error.Keywords：Kalman filter; DC;MATLAB目录第一章绪论 (1)1.1课题背景 (1)1.2国内外发展现状 (2)1.3本课题研究内容 (2)第二章直流电机的建模 (3)2.1MATLAB的使用 (3)2.2设计要求和直流电机的数学模型 (3)第三章卡尔曼滤波器的原理 (6)3.1卡尔曼滤波的简单介绍 (6)3.2卡尔曼滤波的原理过程 (7)3.2.1卡尔曼滤波器的计算步骤 (8)3.2.2卡尔曼了滤波的一般分类 (8)3.3仿真的过程 (8)3.4对结果进行估计 (11)3.5仿真得到的结果 (15)3.6分析估计误差 (19)结论 (21)致谢 (22)第一章绪论1.1课题背景在信号的产生和传递的过程当中，很有可能会遭受外部环境的干扰和内部设备噪声的影响，因此为了从干扰信号中提取出有用的信号，排除干扰信号，就叫做滤波。
由于随机信号功率谱是确定的，有用信号和无用信号频谱必定不同，滤波器也就是通过此差异来设计的。
一般情况下，信号的频谱是处于有限的频率范围内的，而噪声信号的频谱范围很广泛，为了消除噪声进行滤波其所依据的理论就是针对随机信号的估计理论。
数据滤波的主要意义是从混有随机噪声的数据序列（系统和测量）中，在线辨识和处理噪声因素，尽可能地还原出准确的状态估计值。
1795年，高斯为了测量行星轨道提出了最小二乘估计法。
到了1942年，开创控制理论的维纳在第二次世界大战爆发期间根据战争所需，对于控制发射炮弹的控制系统展开了深入的研究，通过如何对弹道进行准确的估计，提出了维纳滤波理论，将数理统计与现行理论有机的结合了起来，并且根据对功率谱上的频谱的分析来设计滤波器，诞生了当时最佳滤波器。
经典维纳滤波算法则是线性定常的滤波算法。
它能够在信号频谱的范围内有效地进行滤波器设计，但如果通过维纳方程来计算，需要用到无限过去的数据，不方便实时处理，对于计算量和存储空间的要求太高，对于随机信号的滤波计算很不方便。
因此维纳滤波的应用的地方相对来说不是非常的广泛，随着空间技术的发展，比如需要对卫星轨道进行精确测量，这时维纳滤波的算法无法解决因为科学不断地发展所产生的问题。
直到上个世纪六十年代初期，美籍科学家卡尔曼针对于离散的线性滤波进行递推计算的论文的发表，由此创造出的卡尔曼滤波才成功的解决了此类问题。
卡尔曼滤波器是源于卡尔曼的博士论文和他发表的论文《A NEW Approach to Linear Filtering and Prediction problems》。
卡尔曼滤波区别于维纳滤波的地方是，维纳滤波用于标量滤波,而不同的是卡尔曼滤波用于矢量滤波，所以卡尔曼滤波的应用更加广泛。
因为他没有从频域分析问题，而是在时域内，卡尔曼滤波方法通过获取系统状态的最小均方差，来估计拥有高斯分布噪声的线性系统。
从这一点上来说，卡尔曼滤波与维纳滤波的基本原理是相同的，但它与维纳滤波相比具有以下几点优越性。
第一，卡尔曼滤波是从时域的角度估计的方法，它将状态空间的思想与最优滤波理论有效地结合在一起，能够进行处理时变系统、非平稳信号;第二通过运用递推计算，减小运算量，这样就降低了存贮量要求，更容易的在计算机上实现。
正是因为这些独特优势，卡尔曼滤波方法自提出以来就在工程实践中受到普遍应用。
1.2国内外发展现状近半个世纪以来卡尔曼滤波器已经广泛运用到了工程界的很多领域，包括故障诊断，计量经济学，航天，控制，传感数据的应用甚至军用级别的无人机、雷达和导弹追踪系统。
随着对卡尔曼滤波的研发更加深入，使它有了更加广泛的运用，例如卡尔曼滤波与神经网络，卡尔曼滤波算法和模糊控制理论的结合等等。
近年来发展的无迹卡尔曼滤波，粒子滤波和中心分布卡尔曼滤波等多种滤波方法为解决非线性的滤波问题提供了非常有效的办法。
虽然卡尔曼滤波的应用领域非常的广泛，但是在实际应用的的过程当中还是有很多的问题，不过随着时代的发展所有遇到的瓶颈肯定会慢慢的得到改善。
1.3本课题研究内容通过参阅国内外文献对卡尔曼滤波有了一定的知晓，了解到提出卡尔曼滤波之过程，发展现状及多样化应用。
学习到卡尔曼滤波器的工作原理和它的控制方法，学习了MATLAB的语法规则和编程。
学习了MATLAB系统之中包含的工具箱的使用和响应图形绘制方法。
通过用MATLAB对运行状态下的直流电机建立随机状态模型。
建立包含测量噪声状态空间的描述然后与卡尔曼滤波器组成联系，得到整个状态空间的描述，最后得到的经卡尔曼滤波器产生的估计输出近乎于没有噪声的输出与原先预计的结果相比较。
本设计针对直流电机数学模型，利用MATLAB控制工具箱设计其对应的卡尔曼滤波估计器，并对其控制效果进行了进一步评估。
第二章直流电机的建模2.1MATLAB的使用MATLAB是由软件巨头MathWorks推出的一种用于系统工程计算的安全实用的高级语言，以矩阵的方式,数值分析来计算和处理数据，可以把数据以图像的形式表现出来，可以在视窗环境中实现很多强大的功能而且使用起来非常的方便。
它是目前控制系统中能够运用到计算机上的最有用的工具。
基于MATALB有效的能力，在控制系统的设计当中应用的非常普遍。
甚至是数据可视化，信号处理，气象分析，图像的修改，金融建模分析等领域。