YTÜD 2001/3

DERLEME YAZISI

EN KÜÇÜK KARELERE GÖRE DENGELEME LE KALMAN F LTRELEME YÖNTEM ARASINDAK L K

U ur DO AN , Hüseyin DEM REL

*

*

* Y ld z Teknik Üniversitesi, n aat Fakültesi, Jeodezi ve Fotogrametri Mühendisli i Bölümü 80750 Y ld z- stanbul
Geli Tarihi: 08.01.2001 RELATIONS BETWEEN THE LEAST SQUARES ADJUSTMENT AND THE KALMAN F LTERING METHOD SUMMARY Kalman filtering method consists of three steps (Prediction, Filtering and Smoothing). Prediction step is used to find the predicted state vector at epoch t k based on the state vector at epoch t k 1 , filtering step is used to find the filtered state vector at epoch t k based on its predicted state vector and some additional observations at this epoch, smoothing step is used to find the smoothed state vector at epoch t k 1 using all available observations. Kalman filtering method is a particular form of the least-squares adjustment and also, Kalman filtering method equations can be derived based on the least-squares adjustment. In this study, mathematical model of the Kalman filtering method and its prediction, filtering and smoothing steps were explained. Also, Kalman filtering solution equalities as to the least squares method were investigated. ÖZET Kalman filtreleme yöntemi prediksiyon, filtreleme ve yumu atma ad mlar ndan olu ur. Prediksiyon ad m yla t k 1 zaman ndaki durum vektörü temel al narak bir sonraki t k zaman için beklenen durum vektörü bulunur. Filtreleme ad m yla tk zaman na predikte edilmi durum vektörü ile bu zamanda yap lm ek ölçüleri kullanarak t k zaman ndaki durum vektörü belirlenir. Mevcut tüm ölçüler kullan larak t k  1 zaman ndaki düzeltilmi durum vektörü yumu atma ad m ile belirlenir. Kalman filtresi en küçük kareler yöntemine göre gruplar halinde dengelemenin özel bir biçimi olup yöntemin çözüm e itlikleri en küçük kareler ilkesine dayal olarak elde edilebilir. Bu çal mada, Kalman Filtreleme yönteminin matematiksel modeli ve çözüm a amalar olan prediksiyon, filtreleme ve yumu atma ad mlar aç klanm , en küçük kareler yöntemine göre çözüm e itlikleri incelenmi tir.

1. G R Konum ve h zla ili kili parametreler ve sistem hatalar , genellikle GPS (Global Positioning System) ve ISS (Inertial Survey System) gibi yeni ölçme tekniklerinin birçok

Ayr ca ilerideki bir ölçme zaman na ili kin durum vektörünü ve bunun stokastik modelini tan mlar [5].1 Kalman Filtresinin Matematiksel Modeli Kesikli zamanda gözlenen bir do rusal sistemin matematiksel modeli a a da verilmektedir [1.19] : x k 1 ! Tk x k  w k k>0 (2. Genel bilgilerin verildi i bu giri bölümünün ard ndan gelen 2. fizikte ve mühendislik bilimlerinin geni bir yelpazesinde uygulanm ve jeodezide kullan lan klasik en küçük kareler ilkesine dayanan yöntemler aras nda son on y ld r yeni filtreleme tekni i olarak tan nm t r [10]. bilinen kestirim yöntemlerine benz er biçimde türetilebilir. en küçük kareler yöntemine göre Kalman Filtreleme çözüm e itlikleri incelenmi tir. prediksiyon. Bu çal ma 3 bölümden olu maktad r.6. verilerin hatal olmas ve sistemin stokastik modelinin bilinmesi durumunda bilinmeyen parametreleri kestirmek için kullan l r. bölümde. j Umut De ere Ba l l k Ö x k durum vektörü ve bunun x k kestirim de erinin umut de erleri e ittir. filtreleme. n ölçü say s . Yinelenen gözlemlerle do rusal parametrelerin kestirimi ve zamana ba l sistemlerin çözümünde kolayl k sa layan bu teknik. DO RUSAL KALMAN -F LTRES ve S STEM MODEL 2. 2. x k t k zaman için geçerli uv1 boyutlu durum vektörü (bilinmeyenler). Bilinen en iyi yöntemlerden biri olan Kalman filtresi. u bilinmeyen say s olmak üzere. kendisinin zaman ndaki l k ölçü vektörünün do rusal bir önsel kestirim de eri ve t k kombinasyonudur. Etkili ve en uygun veri i leme tekniklerinin baz uygulamalar ya da zaman de i kenli sistemler en küçük kareler ilkesine göre prediksiyon. Son bölümde ise. filtreleme ve yumu atma yöntemlerini temel al r [14].2) lk ! A k x k  ek Burada.YTÜD 2001/3 uygulamalar nda zaman de i kenlidir. Kalman filtresinin sistem modeli. yumu atma kavramlar aç klanmaktad r. Bu kestirimin özellikleri unlard r : j Do rusall k Bir sistemin tk Ö zaman ndaki x k durum vektörünün kestirim de eri olan x k .1) (2. Bu nedenle Kalman filtresi kestirim teorisinin geli mesinde önemli bir yer tutmu tur [9]. Kalman filtresi genel olarak. j Minimum Varyans Ö x k durum vektörünün kovaryans matrisinin izi minimumdur [12]. Tk uvu boyutlu dönü türme matrisi ( t k zaman 42 .

. l 0 . t k zaman için §¨ Ö durum vektörünün kestirim de eri x k ile gösterilirse kestirim hatas Ö xk + v Ök = xk © 43 ¥ ¦   için geçerli durum vektörü t k  zaman na dönü türülüyor). Ba lang çtaki durum vektörünün gerçe e yak nl . . k k . ek aras nda korelasyon olmad T E_e k w k a ! o varsay l r : T E_w k e k a ! o Problem. l k nv1 boyutlu ölçüler vektörü. Cek ek d r : T E_w k w k a ! wk wk (2.1). l k ölçüleri baz nda x k ¶n n do rusal. lk kestirimin yap labilmesi için ba lang ç zaman ndaki x durum vektörü ve bunun Q a rl k katsay lar matrisine gereksinim vard r.4) (2. beklenen de ere ba l ve izi en küçük kovaryans matrisli kestirim de erini bulmakt r. l1 . Modelin stokastik bölümü aç kça tan mlanm olmal d r. A k ek nv1 boyutlu ölçü hatalar vektörüdür ( ekil 2. (2. _e k a ! o . Sistem hata vektörü w k ve ölçü ¤ ¤ ¢ ¢ £ £ ¡ hatalar vektörü ek ¶n n beklenen de erleri ³s f r´ ve kovaryanslar C E_w k a ! o . w k uv1 boyutlu sistem nvu boyutlu katsay lar matrisi.. .5) Ök . filtrenin sisteme uyumunu do rudan etkiler. Filtrenin do ru sonuç vermesi için ba lang çta belirlenen durum vektörü olabildi ince beklenen de ere yak n olmal d r [2]. Ba lang çtaki durum vektörü ba lang ç zaman ndaki ölçüler yard m yla kestirilebilir.6) . ¦ T _e k e k a ! C ek ek ! C lk lk k { m için hata vektörlerinin kovaryans matrisleri s f ra e ittir : T E_w k w k a ! C w k w m = o T E_ek ek a ! Cek em =o Ayr ca w k .YTÜD 2001/3 hatalar vektörü.3) (2.

x0 ek wk x k1 ´ Tk ekil 2.7) k Gözlenen sistem xk lk Ak Prediksiyon Filtreleme Yumu atma tk-1 tk tk+1 44 . Filtreleme (Filtering) ve Yumu atma (Smoothing) Prediksiyon. tk-1 zaman ndaki durum vektörünün.2 Prediksiyon (Prediction).    ve kovaryans matrisi C Ö     k Ök . filtreleme ve yumu atma Kalman filtresinin a amalar n olu turmaktad r. tk-1 zaman na predikte edilmi durum vektörü ile tk an ndaki ölçüler kullan larak tk zamandaki durum vektörünün belirlenmesine filtreleme (update) ve tk+1 zaman na kadar var olan tüm ölçüler kullan larak t0 zaman nda ki durum vektörün yeniden belirlenmesine yumu atma (smoothing) ad verilir ( ekil 2.14.  lçü alan t0 ekil 2.3].2) [9. (2.6] 2.YTÜD 2001/3 C Ö k Ö k ! _v Ö k v T a Ö olur. filtreleme ve yumu atma kavramlar [14].2 tk zaman için prediksiyon.1 Kesikli zamanda gözlenen sistem [1. t0 zaman nda bulunan bir dinamik sistemin özelliklerinden yararlanarak hesaplanmas na prediksiyon (pred iction) .

1) ve (2.1a) (3. 3. ba lang ç zaman için x 0 durum vektörü ve bunun Q x 0 x 0 a rl k katsay lar matrisi. Q ww 45 .2) e itliklerine uygun olarak t k  1 ve t k zaman aral için üç grup denklem sisteminden olu ur [18] ( ekil 3. (2.1b) xk 1 durum vektörünün varsay l rsa dinamik lineer model. (3. Dinamik lineer model Durum vektörü x k 1  v xk 1 ! x k 1 .19]:   xk1 kestirim de eri ve kovaryans matrisinin bilindi i Sistem denklemleri x k ! Tk 1x k 1  w k 1. Durum vektörü. sistemi tan mlamak için gerekli parametreleri.1 Dinamik lineer sistem modeli t k zaman na ili kin durum vektörünün kestirimi için Kalman filtresinin Gauss -Markoff modeli anlam ndaki matematiksel modeli a a daki gibidir [14. Q xx lçü denklemleri lk  vk ! Ak x k . EN KÜÇÜK KARELER YÖNTEM NE GÖRE ART ARDA GAUSS -MARKOFF KEST R M VE KALMAN -F LTRES ÇÖZÜM E TL KLER Gauss-Markoff modeli a a da verilen fonksiyonel ve stokastik modeller ile tan mlan r : Ö=l+v = A x Ö l   Pl ! Q ll 1 ! W 2 C ll 1 fonksiyonel model (düzeltme denklemleri) stokastik model.YTÜD 2001/3 Dinamik bir sistem çal maya ba lad nda öncelikle. ba lang ç zaman ndaki ölçüler dengelenerek (filtreleme) hesaplan r.1). Qll ekil 3. ayr ca tasar ma ve ölçü türüne ba l ek parametreleri içerir.

5) kestirimi elde edilir. x  Q~ ~ ! T Qx x TT  Q xx (3.7) kestirim hatas d r.4)¶de göz önüne al n rsa.4) ç kar. tk zaman ndaki ölçülerdir. tk zaman için ilk ölçü grubu olarak dü ünülür kinci ölçü grubu . Kalman filtresinin zaman-güncelleme (time-update or prediction) denklemlerini olu turur. v ~ ! Tk 1 v xk 1  w k 1 x k (3. Buna göre (3.2)¶deki denklemlerin ilkinden x k 1 ¶in e iti ikincisinde göz önüne al n rsa.5) ve (3. (3.9) e itlikleri.3) Prediksiyon için l k ölçüleri kullan lmaks z n durum kestirimi göz önüne al n r. Bu e itlik (3.YTÜD 2001/3 «x k 1 » « v x k 1 » « I ¬ o ¼  ¬ w ¼ ! ¬. ~ k vektörünün a rl k katsay lar matrisi (3.8) e itli i. ~ x k ! x k  (Tk 1 v x k 1  w k 1 ) (3.2) Q 0 1 0 0 » 0 » «Px ¼ ¼ ¬ 1 0 ¼ 0 ¼ = ¬ 0 Pw ¬ ¼ Q ll ¼ ¬ 0 0 Pl-1 ¼ ½ ­ ½ (3.9) ç kar . Burada.1)¶de w k 1 = o kabul edilerek t k zaman için ~ !T xk k 1 x k 1 (3.8) olur. (3.7)¶den.6) olur. Buna göre x k 1 durum vektörünün yok edildi i (3.6) e itli i. Buna göre (3.(2. ~  v~ ! x xk k x k (3.T ¬ ¼ ¬ k 1 ¼ ¬ k 1 ¬ lk ¼ ¬ vk ¼ ¬ 0 ­ ½ ­ ½ ­ «Q xx ¬ ¬ 0 ¬ 0 ­ 0  0 » «x » I ¼ ¬ k 1 ¼ ¼ x Ak ¼ ­ k ½ ½ (3.2) modeli 46 .   xk ! k 1 x k 1  k 1 v xk 1  w k 1 (3.

(3.14) olur [3. Kalman filtresinin uygulanabilmesi için ba lang çta belli giri durum vektörü ve C x 0 x0 !  W 2 Px 1 0 0 bilgilerine.14) filtreleme denklemiyle elde edilen x k durum vektörünün iki terim toplam na e it oldu u görülmektedir.10) e itliklerindeki tüm büyüklükler t k zaman na ili kindir.10a) (3.12) elde edilir. Kuvvetlendirme (gain) matrisi   K ! P~ 1 A T ( Pl1  A P~ 1 A T ) 1 x x (3.10b) olur [17. Ö (3.12) e itlikleri filtreleme denklemlerini olu tururlar.11) (3. kincisi ise güncel ölçüler vektörü ile bunun prediksiyon de eri aras ndaki fark içermektedir : 47 . (3.11] (3. ~ Ö x ! (P~  A T Pl A ) 1 (P~ x  A T Pl l) x x Q x x ! (P~  A T Pl A ) 1 Ö Ö x (3. Durum Ö vektörüne ili kin bir bilgi yoksa ba lang ç de eri olarak x 0 ! o ve q art i aretli büyük bir say olmak üzere Px 0 ! 1 « I 0» ¼   0 ¬ q ­0 I ½ (3. ki grup ölçünün art arda dengelenmesi sonunda da (3.5) ile bulunan prediksiyon de eridir.11. Bunlardan ilki durum vektörünün (3.14) ve (3.13) olmak üzere [8.7].19] uygulan rsa t k zaman ndaki durum vektörü ve bunun kofaktör matrisi.14) ve (3.YTÜD 2001/3 «~ » « v ~ » « I » x x ¬ ¼¬ ¼!¬ ¼x ­ l ½ ­ v l ½ ­A½ «Q ~ ~ xx ¬ ­ 0  0 » «P~ 1 0 » ¼ ¼!¬ x Q ll ½ ¬ 0 Pl1 ¼ ­ ½ (3.15) öngörülür [15].10)¶a GaussMarkoff modelinde kestirim e itlikleri [4. x 0 kovaryans matrisine gereksinim vard r.13].11) e itli i Ö x x ! ~  K ( l  A ~) x (3. (3.12) ile özde çözümler elde edilir [11].

14) e itli i (3. Bu e itli e hata yay lma kural uygulan rsa innovasyonun kofaktör matrisi.19) e itliklerine hata yay lma kural uygulan r ve (3.10) modelinde göz önüne al n rsa v ~ ! K ( l  A ~) ! K d x x Ö v l ! A ( ~  K d) .17) (3.YTÜD 2001/3 x ! l. Q dd ! Q ll  A Q ~ ~ A T ! D xx olur. Buna göre (3.l ! A x  l x ya da v l ! Q ll 1 düzeltmeleri elde edilir.A ~ (3. Kalman filtrelemesi tekni inde t k periyoduna ili kin ölçüler yard m yla geriye dönük çözümle t k 1 periyodundaki bilinmeyenler de düzeltilmektedir.19a) (3.18) (3.22) (3.17) göz önüne al n rsa düzeltmelerin kofaktör matrisi ! «Q v ~ v ~ Q vv ! ¬ x x ¬ Qvlv ~ x ­ ç kar [16.14)¶deki ikinci terim K kuvvetlendirme matrisiyle çarp lm innovasyondur (ölçülerin prediksiyona etkisi).19b) d Q v ~vl » « K KT x ¼!¬ Q v lv l ¼ ¬  Qll KT ½ ­  K Qll Q ll  A Q x x A ¼ Ö Ö ½ T¼ » (3.18) ve (3.21) e itli i aç l r ve gerekli düzenlemeler yap l rsa t k  1 yumu at lm durum vektörü  T T Ö Ö x k 1 ! xk 1  Px 1 Tk 1 Ak Pl (lk  Ak xk ) ya da  T ~ Ö Ö x k 1 ! xk 1  Px 1 Tk 1P~ ( xk  x k ) x  ? A (3.20) (3.19] uygulan rsa normal denklemler T T «Px  Tk 1 Pw Tk 1 Ö  Tk 1 Pw » « xk 1 » « Px xk 1 » ! ¼ ¬ ¬ ¼ T Ö ¼ ¬ T  Pw Tk 1 Pw  Ak Pl Ak ¼ ­ xk ½ ­ Ak Pl lk ½ ¬ ½ ­ elde edilir.2) modeline Gauss-Markoff kestirim e itlikleri [4. (3. (3.16) Bu fark innovasyon (innovation) olarak adland r l r [15].21) zaman ndaki Ö x k 1 (3. (3.23) 48 . (3.20].

G. R.9)¶da verilmi tir. SpringerVerlag. Polytechnic of East London Department of Land Surveying. 1975.. KAYNAKLAR [1] [2] [3] Brammer ve Siffling. Kalman filtresi en küçük kareler yöntemine göre dengelemenin özel bir biçimidir. P. Ö Ö (3.. C.22) e itli ine hata yay lma kural uygulan r ve (3.K.k 1 kofaktör matrisi. (3.19]. ve Chen. 1987.YTÜD 2001/3 olur [14. klasik en küçük kareler yönteminin uygulanmas d r. SONUÇ Kalman filtreleme modeli.20]. Bir kinematik model ile birlikte geçmi zamandaki konumlama bilgilerini temel alan prediksiyon ad m nda bir sonraki ölçüm periyodu için beklenen konum koordinatlar ve do ruluklar hesaplan r. Kalman filtreleme yöntemiyle.25) elde edilir [14. Bu teknik. Berlin. 5. Kalman filtreleme yöntemi prediksiyon. ³Advanced Least Squares Applied to Position-Fixing´. her türlü do rusal ve do rusal olmaya n de i imlerin stokastik modellerinin iyi olu turulmas durumunda özellikle verilerin sürekli ve yo un elde edildi i deformasyon ara t rmalar için uygun bir yöntemdir. Working Paper No.A. Cross. Deterministische Beobachtung und Stochastische Filterung´. filtreleme ve yumu atma a amalar ndan olu maktad r. xx 4. 1990. Burada ki Q ~ ~ (3.6. ³Kalman-Bucy-Filter. ³Kalman Filtering with Real-Time Applications´. Filtreleme ad m . En küçük karelere göre dengelemenin yap labilmesi için ölçü say s n n bilinmeyen parametre say s ndan fazla olmas gerekir. rasgele hatalar içeren dinamik bir sisteme uygulanan en uygun parametre kestirim i lemidir ve belirli zamanlarda elde edilen ölçüler yard m yla bilinmeyen x k durum vektörünün minimum varyansl en uygun do rusal kestirimi için yinelemeli bir algoritma olu turur. Oldenbourg Verlag München Wien. ölçü say s bilinmeyen parametre say s ndan daha az say da olsa dahi hareket parametreleri belirlenebilmektedir. Chui.24) olmak üzere  Q x x. Yap lan en son ölçme periyodu ve tamamlanan filtreleme ad m ndan sonra tüm ölçülerin yeniden i lendi i yumu atma ad m gerçekle tirilir.k 1 ! Px 1  J ( Q x x.k  Q ~ ~ ) JT Ö Ö Ö Ö xx (3. 49 .12) e itli i göz önüne al n rsa t k  1 Ö zaman ndaki x k 1 yumu at lm  T ~~ J ! Px 1 Tk 1 Q 1x x durum vektörü Q x x.

H. ³Parameter Estimation and Hypothesis Testing in Linear Models´. T. 1986.. [15] Pelzer. 1988. ³Deformationsanalyse Mittels Kalman-Filter Möglichkeiten und Perspektiven´. Internationalen Kurs für Ingenieurvermessung.42. Number 37..YTÜD 2001/3 [4] [5] [6] [7] [8] [9] Demirel. H. ³New Filter Approaches for GPS/INS Integration´.E. ³A Synthesis of Recent Advances in the Methodof Least Squares´. A. 50 . [11] Koch. 1993. Haykin. Printice Hall. Krakiwsky. [18] Salychev. Australia. ³Global Positionin SystemTheory and Practice´..J.. 83D. A Wiley-Interscience Publication. Proceedings of the International Geodetic Symposium on Satellite Positioning.225-262. pp 87-95. K. The University of New South Wales. Y. R. ve Gao. H. ³A Kalman-Filter Based Approach to Combining Independent Earth Orientation Series´. 95-108. B. 1998. S.49-62.M. SpringerWien-NewYork. 1995. H. B. ³Deformationsuntersuchungen auf Bewegungsmodelle´. [13] Leick.. ³Anwendung der Kalman Filtertechnic auf die Deformationanalyse´. [10] Krakiwsky. Manuscripta Geodaetica 17. Pelzer. Ders notu. Gross. ´Hata Kuram ve Parametre Kestirimi´. Kalman. University of New Brunswick. B. Englewood Cliffs.1987. E.. Journal of Basic Engineering.. ³The Use of Kalman Filters in GPS Navigation´. 1999. Lecture Notes No. Springer Verlag. ³Statische. pp 215-235. et al. 1975... E. s. Z. ³GPS Satellite Surveying.. 1994.. Netherlands Geodetic Commission. Melbourne. 1960. Wittwer-Verlag.. Heft 2. Vol..³Least Squares Filtering and Testing for Geodetic Navigation Applications´...S. AVN. New Jersey. Jeodezi ve Fotogrametri Müh. pp. International Congress. ve Schaffrin. Bonn. Unisurv S -35. [12] Liu.R. Reports from School of Surveying. O. [14] Merminod. FIG XX. J.Bölümü. Kap. Kensington. 1999. Heunecke. ve Collins. [19] Salzmann. R. M. der Basis Kinematischer [16] [17] Pelzer. X. Publication on Geodesy.. 1992. 1992. Journal of Geodesy 72. B4. John Whiley Sohn.J. 1989. ³A New Approach to Linear Filtering and Prediction Problems´. Kinematische und Dynamische Punktfelder´ In: Pelzer (H sg. YTÜ.. Stuttgart. Eubanks. ³Adaptive Filter Theory´. 1985.. 2 nd Edition.. Hofmann-Wellenhof. ³An Analysis of Three Methods for Filtering a Correlated Measurement Sequence´. Australia. 1987.): Geodatische Netze in Landes-und Ingenieurvermessung II. Lichtenegger. O.W. H.

´Das Kalman-Filter als Ansatz für die Auswertung Weitraumiger Kinematischer Höhennetze´. U. 1991.170.. 51 .Wissenschaftliche Arbeiten der Fachrichtung Vermessungswesen der Universitat Hannover. No.YTÜD 2001/3 [20] Unterberg. Hannover.