Université Hassan II Année Universitaire : 2017-2018
Faculté des Sciences Aı̈n Chock Méthodes Numériques et Statistiques Appliquées (MNSA2)
Casablanca Assimilation de Données
Département de Mathématiques et Informatique
Examen
Durée : 01h30
Question de cours
1. Quel est l’objectif du filtre de Kalman ?
2. Dans quels cas, doit-on utiliser la version étendue du filtre de Kalman ?
Problème
On considère le système linéaire gaussien suivant :
Xk+1 = Fk Xk + Gk Wk ,
Yk = Hk Xk + Vk ,
où on suppose que
— Le bruit {Wk } est un bruit blanc gaussien de covariance QW k .
— La condition initiale X0 est gaussienne, de moyenne X̄0 et de covariance QX 0 .
— V
Le bruit d’observation {Vk } est un bruit blanc gaussien de covariance Qk .
— Les bruits {Wk } et {Vk }, et la condition initiale X0 sont mutuellement indépendants.
— La matrice de covariance QVk est inversible, pour tout instant k.
L’objectif de ce problème est de proposer un algorithme efficace pour calculer l’espérance
conditionnelle suivante
n−1
X
An = E[ Ck Wk |Y0 , ..., Yn ].
k=0
On introduit le système linéaire gaussien
X k+1 F k 0 Xk Gk
= + Wk ,
Zk+1 0 I Z Ck
k
Xk
Yk = Hk 0 + Vk ,
Zk
où en plus des hypothèses déjà faites, on suppose que
X0
— La condition initiale Z0 est nulle, c’est-à-dire que la variable aléatoire est gaussienne,
Z0
X
X̄0 Q0 0
de moyenne et de covariance .
0 0 0
1
1. Montrer que
n−1
X
Zn = Ck W k .
k=0
Pour tout instant k, on définit la moyenne et la matrice de covariance
Xk X̂k
E[ |Y0 , ..., Yk ] = ,
Zk Ẑk
∗
X̂k − Xk X̂k − Xk Pk S k
E[ |Y0 , ..., Yk ] = ,
Ẑk − Zk Ẑk − Zk Sk∗ Rk
et on définit également la moyenne et la matrice de covariance
−
Xk X̂k
E[ |Y0 , ..., Yk−1 ] = ,
Zk Ẑk−
− − ∗ −
Sk−
X̂k − Xk X̂k − Xk Pk
E[ |Y0 , ..., Yk−1 ] = .
Ẑk− − Zk Ẑk− − Zk (Sk− )∗ Rk−
2. Montrer que
An = E[Zn |Y0 , ..., Yn ] = Ẑn .
Xk
3. Donner les équations du filtre de Kalman pour le vecteur d’état .
Zk
4. En déduire que
n
X
An = Lk [Yk − Hk X̂k− ],
k=1
où on donnera l’expression de la matrice Lk pour tout instant k.
