基于kalman濾波的信息融合算法設(shè)計_控制系統(tǒng)仿真課程設(shè)計(編輯修改稿)
2024-10-04 13:42 本頁面
【文章內(nèi)容簡介】 /(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))。 endend%create figurefigure t=1:150。plot(t,X(1,t),39。or39。)hold onplot(t,X_gj(1,t),39。g39。)plot(t,Z(1,t),39。39。)hold offlegend(39。分量一狀態(tài)39。,39。分量一估計39。,39。分量一預(yù)測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 onplot(t,Z(2,t),39。39。)hold offlegend(39。分量二狀態(tài)39。,39。分量二估計39。,39。分量二預(yù)測39。)xlabel(39。仿真次數(shù)39。)ylabel(39。數(shù)值39。)figureplot(t,abs(Z(2,t)X(2,t)),39。or39。)hold onplot(t,abs(X_gj(2,t)X(2,t)),39。g39。)hold offlegend(39。預(yù)測與真實之差39。,39。估計與真實之差39。)xlabel(39。仿真次數(shù)39。)ylabel(39。數(shù)值39。)figureplot(t,T_gj(t),39。g39。,t,T_yc(t),39。or39。)legend(39。估計39。,39。預(yù)測39。)xlabel(39。仿真次數(shù)39。)ylabel(39。數(shù)值39。)（2）繪出狀態(tài)預(yù)測值和狀態(tài)估計值的曲線圖（每個狀態(tài)包括兩個分量）；（3）繪出預(yù)測誤差協(xié)方差陣跡(Trace)和估計誤差協(xié)方差陣跡的曲線圖；（4）對仿真結(jié)果進(jìn)行分析。分量的估計值比分量的觀測值更接近真實值。整個時也是估計值更準(zhǔn)確。針對矢量情形，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）改變R變小（R=4）改變H變?。℉=）當(dāng)R的值變小時，預(yù)測值的陣跡會變得下墜更快，預(yù)測值本身的震蕩會減小，對真實值的偏離會變小。當(dāng)Q的值增大時，估計值也會更加偏離真實值。當(dāng)H變小時，預(yù)測值與真實值偏差變大，估計值與真實值的偏差也會變大。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態(tài)估計系統(tǒng) (10)， (11)其中，是離散的時間變量，為傳感器的數(shù)目；是系統(tǒng)的狀態(tài)向量，是系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣；是狀態(tài)的觀測向量，是相應(yīng)的觀測矩陣；和是零均值的高斯白噪聲過程，且滿足如下條件：， (12)初始狀態(tài)為一隨機(jī)向量，且滿足 (13)那么，對于每一個傳感器觀測均可執(zhí)行一)當(dāng)中基于單個觀測的Kalman濾波估計，可得到個局部估計和相應(yīng)的估計誤差協(xié)方差矩陣。從而，可利用分布式加權(quán)融合技術(shù)將上述個局部Kalman濾波估計進(jìn)行融合，即： (14)此時，和為融合后的狀態(tài)估計和相應(yīng)的融合估計誤差協(xié)方差矩陣。問題：給定相應(yīng)參數(shù)（也鼓勵采用其他參數(shù)），進(jìn)行上述分布式融合算法的仿真給定如下參數(shù)：，，，（1）請利用Matlab軟件進(jìn)行分布式融合估計算法仿真程序編寫；%%produce systemclear。clc。A=[1 1。0 1]。P0=[100 10。10 100]。x0=[1。]。X_0=[10。1]。C=[1 0。0 1]。Q=[ 0。0 ]。R=[4 0。0 4]。
研究報告相關(guān)推薦
鄂ICP備17016276號-1