基于kalman濾波的信息融合算法設(shè)計(jì)_控制系統(tǒng)仿真課程設(shè)計(jì)(編輯修改稿)
2024-10-01 15:24 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 _yc(:,:,k))。 K(:,:,k)=P_yc(:,:,k)*C39。/(C*P_yc(:,:,k)*C39。+R)。 X_gj(:,k)=X_yc(:,k)+K(:,:,k)*(Z(:,k)Z_yc(:,k))。 P_gj(:,:,k)=(eye(2)K(:,:,k)*C)*P_yc(:,:,k)。 T_gj(k)=trace(P_gj(:,:,k))。 end end %create figure figure t=1:150。 plot(t,X(1,t),39。or39。) hold on plot(t,X_gj(1,t),39。g39。) plot(t,Z(1,t),39。39。) hold off legend(39。分量一狀態(tài) 39。,39。分量一估計(jì) 39。,39。分量一預(yù)測(cè) 39。) xlabel(39。仿真次數(shù) 39。) ylabel(39。數(shù)值 39。) figure plot(t,X(2,t),39。or39。,t,X_gj(2,t),39。g39。) hold on plot(t,Z(2,t),39。39。) hold off legend(39。分量二狀態(tài) 39。,39。分量二估計(jì) 39。,39。分量二預(yù)測(cè) 39。) xlabel(39。仿真次數(shù) 39。) ylabel(39。數(shù)值 39。) figure plot(t,abs(Z(2,t)X(2,t)),39。or39。) hold on plot(t,abs(X_gj(2,t)X(2,t)),39。g39。) hold off legend(39。預(yù)測(cè)與真實(shí)之差 39。,39。估計(jì)與真實(shí)之差 39。) xlabel(39。仿真次數(shù) 39。) ylabel(39。數(shù)值 39。) figure plot(t,T_gj(t),39。g39。,t,T_yc(t),39。or39。) legend(39。估計(jì) 39。,39。預(yù)測(cè) 39。) xlabel(39。仿真次數(shù) 39。) ylabel(39。數(shù)值 39。) （ 2） 繪出狀態(tài)預(yù)測(cè)值和狀態(tài)估計(jì)值的曲線圖（每 個(gè)狀態(tài)包括兩個(gè)分量）； 圖 5 10 15 20 25 30 35 40 45 2 5 2 0 1 5 1 05051015仿真次數(shù)數(shù)值分量一狀態(tài)分量一估計(jì)分量一預(yù)測(cè) 圖 60 70 80 90 100 110 120 1308765432101仿真次數(shù)數(shù)值分量二狀態(tài)分量二估計(jì)分量二預(yù)測(cè) （ 3） 繪出預(yù)測(cè)誤差協(xié)方差陣跡 (Trace)和估計(jì)誤差協(xié)方差陣跡的曲線圖； 圖 10 20 30 40 50 60020406080100120仿真次數(shù)數(shù)值估計(jì)預(yù)測(cè)（ 4） 對(duì)仿真結(jié)果進(jìn)行分析。 分量的估計(jì)值比分量的觀測(cè)值更接近真實(shí)值。整個(gè)時(shí)也是估計(jì)值更準(zhǔn)確。 針對(duì)矢量情形，自行選取三組不同的參數(shù)進(jìn)行 Kalman 濾波的仿真，并進(jìn)行相應(yīng)仿真結(jié)果的比較分析 。 改變 Q 變大（ Q=4） 25 30 35 40 45 50 55100110120130140150160170仿真次數(shù)數(shù)值分量一狀態(tài)分量一估計(jì)分量一預(yù)測(cè) 5 10 15 20 25 30 35 40 45 50 1 086420246810仿真次數(shù)數(shù)值分量二狀態(tài)分量二估計(jì)分量二預(yù)測(cè) 5 10 15 20 25 30 35 40 45050100150200250300仿真次數(shù)數(shù)值估計(jì)預(yù)測(cè) 改變 R 變?。?R=4） 85 90 95 100 105 110 115 120 125 130100105110115120125仿真次數(shù)數(shù)值分量一狀態(tài)分量一估計(jì)分量一預(yù)測(cè) 20 30 40 50 60 70 80 9032101234仿真次數(shù)數(shù)值分量二狀態(tài)分量二估計(jì)分量二預(yù)測(cè) 0 2 4 6 8 10 12 14 16 180510152025303540仿真次數(shù)數(shù)值估計(jì)預(yù)測(cè) 改變 H 變?。?H=） 10 15 20 25 30 35 40 45 2 5 2 0 1 5 1 050仿真次數(shù)數(shù)值分量一狀態(tài)分量一估計(jì)分量一預(yù)測(cè) 40 50 60 70 80 90 1006420246810仿真次數(shù)數(shù)值分量二狀態(tài)分量二估計(jì)分量二預(yù)測(cè) 0 5 10 15 20 25 30050100150200250300仿真次數(shù)數(shù)值估計(jì)預(yù)測(cè) 當(dāng) R 的值變小時(shí)，預(yù)測(cè)值的陣跡會(huì)變得下墜更快，預(yù)測(cè)值本身的震蕩會(huì)減小，對(duì)真實(shí)值的偏離會(huì)變小。當(dāng) Q 的值增大時(shí)，估計(jì)值也會(huì)更加偏離真實(shí)值。當(dāng) H 變小時(shí)，預(yù)測(cè)值與真實(shí)值偏差變大，估計(jì)值與真實(shí)值的偏差也會(huì)變大。 二）基于線性 Kalman 濾波信息融合算法 考慮如下一類多傳感器線性動(dòng)態(tài)估計(jì)系統(tǒng) )1,()1()1,()( ????? kkkkkk wxΦx (10) )()()()( kkkk iii vxHz ?? ， Ni ,2,1 ?? (11) 其中， 0?k 是離散的時(shí)間變量， N 為傳感器的數(shù)目； 1)1( ??? nRkx 是系統(tǒng)的狀態(tài)向量， nnRkk
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1