1.一种动态系统加性干扰与状态估计的实时滤波方法，其特征在于，具体步骤如下：步骤S1：建立包含有不确定因子的随机系统，不确定因子包括隐变量和加性干扰；

在步骤S1中，

随机系统的状态模型和观测模型如下：x(k+1)＝A(k)x(k)+D(k)d(k)+w(k) (1)y(k+1)＝B(k+1)x(k+1)+C(k+1)r(k+1)+v(k+1) (2)其中，k为离散时间序列，A(k)为系统状态转移矩阵，B(k+1)为观测矩阵，D(k)和C(k+1)n m均为系数矩阵，x(k)∈R 为状态向量，y(k+1)∈R 为观测向量，d(k)和r(k+1)为系统中的不n m确定因子，其中d(k)为不确定因子中的隐变量，r(k+1)为加性干扰，R表示n维实数集，R 表示m维实数集；

w(k)和v(k+1)为不相关的白噪声序列，满足如下公式：E{w(k)}＝0,E{v(k)}＝0 (3)T

E{w(k)w(j)}＝Q(k)δkj(4)T

E{v(k)v(j)}＝R(k+1)δkj (5)其中，Q(k)表示白噪声w(k)序列的方差；δkj表示Kronecker积；j表示离散时间序列中的时刻点；R(k+1)表示白噪声v(k+1)序列的方差；

步骤S2：设计关于隐变量和加性干扰的Kalman滤波器；

步骤S3：基于步骤S2中的Kalman滤波器和随机系统设计出求解随机系统状态变量估计值的自适应滤波器，并根据自适应滤波器对随机系统进行实时滤波。

2.根据权利要求1所述的一种动态系统加性干扰与状态估计的实时滤波方法，其特征在于：在步骤S2中，关于隐变量d(k)的Kalman滤波器设计步骤如下：步骤S21a：建立一步滞后的d(k)动态模型，如下：d(k)＝Ad(k‑1)d(k‑1)+wd(k‑1) (6)；

其中，Ad(k‑1)和wd(k‑1)分别表示隐变量的状态转移矩阵和零均值的高斯白噪声；

步骤S22a：为了对隐变量d(k)进行估计，通过随机系统的状态模型简化随机系统的观测模型，简化过程如下：y(k+1)＝B(k+1)A(k)x(k)+B(k+1)D(k)d(k)+B(k+1)w(k)+C(k+1)r(k+1)+v(k+1)(7)；

统计特性如下：

E{wd(k)}＝0； E{vd(k)}＝0 (8)其中，Qd(k)表示为白噪声wd(k)的方差；wd(k)和vd(k)表示为零均值的不相关的白噪声；

步骤S23a：基于隐变量d(k)的动态模型和观测模型，建立d(k)的Kalman滤波器并求解估计值 和估计误差协方差矩阵Pd(k|k)。

3.根据权利要求2所述的一种动态系统加性干扰与状态估计的实时滤波方法，其特征在于：步骤S23a具体为：时间更新：

通过公式(6)，得隐变量d(k)预测估计值和预测估计误差协方差矩阵：其中Qd(k‑1)为白噪声wd(k‑1)的方差；

测量更新：

根据公式(7),可得隐变量d(k)的测量预测值及测量预测误差，如下：其中， 为k‑1时刻到k+1时刻的d(k)的测量预测值， 为k‑1时刻到k+1时刻的d(k)的测量预测误差， 为已知的k时刻最优估计值， 已知的k时刻估计误差值， 为k时刻对k+1时刻的预测值， 为k时刻对k+1时刻的预测误差值； 为k‑1时刻对k时刻的隐变量d(k)估计值， 为k‑1时刻对k时刻的隐变量d(k)估计误差值；

隐变量d(k)的Kalman滤波器设计如下：相应的估计误差为：

结合正交原理得到Kalman滤波器中Kd(k)增益矩阵如下：其中，Px(k|k)为k时刻的预测估计值误差协方差矩阵，Pr(k+1|k)为预测误差协方差矩阵；

隐变量d(k)的估计误差协方差矩阵：Pd(k|k)＝[I‑Kd(k)B(k+1)D(k)]Pd(k|k‑1) (17)式中，I为单位矩阵。

4.根据权利要求3所述的一种动态系统加性干扰与状态估计的实时滤波方法，其特征在于：在步骤S2中，关于加性干扰的Kalman滤波器设计步骤如下：步骤S21b：建立加性干扰的动态模型，如下：r(k+1)＝Br(k)r(k)+wr(k)(18)其中，Br(k)表示加性干扰的状态转移矩阵,wr(k)表示零均值的白噪声；

步骤S22b：基于加性干扰的状态模型，得到r(k+1)的预测值及预测误差协方差矩阵：其中，Qr(k)为白噪声wr(k)的方差； 为已知k时刻的最优估计值；Pr(k|k)为关于加性干扰r(k+1)在k时刻的估计误差协方差矩阵；

步骤S23b：根据公式(2)得r(k+1)的测量预测值和测量预测误差如下：其中， 为状态x(k+1)在k到k+1时刻的状态预测值； 为状态x(k+1)在k到k+1时刻的状态预测误差；Px(k+1|k)为状态x(k+1)在k到k+1时刻的预测误差协方差矩阵；

r(k+1)的Kalman滤波器设计如下：相应的估计误差：

利用正交原理再结合估计误差以及观测模型可得Kr(k+1)增益矩阵如下：T T

Kr(k+1)＝Pr(k+1|k)C(k+1)*[B(k+1)Px(k+1|k)B(k+1)T ‑1

+C(k+1)Pr(k+1|k)C(k+1)+R(k+1)] (25)根据式(24)得到Pr(k+1|k+1)如下：

5.根据权利要求4所述的一种动态系统加性干扰与状态估计的实时滤波方法，其特征在于：步骤S3具体如下：步骤S31：时间更新，根据公式(1)可得x(k+1)的状态预测值、状态预测误差及预测估计值误差协方差矩阵如下：T T

Px(k+1|k)＝A(k)Px(k|k)A(k)+D(k)Pd(k|k)D(k)+Q(k)(30)；

步骤S32：测量更新，根据状态预测值和观测模型可得测量预测值和测量预测误差如下：步骤S33：设计状态变量x(k+1)的自适应滤波器如下：相应的状态估计误差如下：

其中，Kx(k+1)为增益矩阵，利用正交原理求解得增益矩阵Kx(k+1)如下：T T

Kx(k+1)＝Px(k+1|k)B(k+1)[B(k+1)Px(k+1|k)B(k+1)T ‑1

+C(k+1)Pr(k+1|k+1)C(k+1)+R(k+1)] (35)利用状态估计误差方差阵计算公式，并根据(34)得到Px(k+1|k+1)其中，I为单位矩阵。