卡爾曼濾波器和matlab代碼-閱讀頁(yè)
2025-07-05 03:42本頁(yè)面
【正文】 入式()得Gn=Fn+1,nK(n,n1)CH(n) R1(k) ()現(xiàn)在我們已經(jīng)了解了卡爾曼濾波的整個(gè)過(guò)程和相應(yīng)的參數(shù)設(shè)置，為了能夠更為方便利用計(jì)算機(jī)仿真實(shí)現(xiàn)，特將其中參數(shù)變量進(jìn)行小結(jié)。最后一幅圖象能夠看出其已經(jīng)不再收斂，下面是大于輸入相關(guān)矩陣的最大特征值2倍步長(zhǎng)時(shí)所表現(xiàn)的跟蹤結(jié)果可以看出其已經(jīng)明顯發(fā)散，不再是我們所期望的濾波算法。 卡爾曼濾波器仿真結(jié)果從圖中可以發(fā)現(xiàn)，卡爾曼濾波器能夠非常有效地在比較大的干擾下比較準(zhǔn)確地反映真實(shí)值，如果觀測(cè)端加入干擾較大時(shí)，卡爾曼濾波器能夠較為有效地進(jìn)行濾波，不過(guò)當(dāng)狀態(tài)端的干擾增大時(shí)，卡爾曼濾波器的濾波效果也會(huì)隨之下降。如上圖所示，狀態(tài)端的干擾導(dǎo)致?tīng)顟B(tài)不穩(wěn)定，卡爾曼濾波器的估計(jì)值也出現(xiàn)了比較大的波動(dòng)。這是的狀態(tài)已經(jīng)很勉強(qiáng)了，所以，研究更為有效的多方法卡爾曼濾波器也顯得十分必要了。仿真圖如下 后聯(lián)平滑濾波的卡爾曼濾波器仿真只是在經(jīng)典卡爾曼濾波器后端聯(lián)接了平滑濾波器，對(duì)性能改進(jìn)的效果并不特別明顯，仿真圖如下如圖中所表示，即使平滑過(guò)的估值與觀測(cè)值之間的差別也不是特別令人滿意，所以，對(duì)于經(jīng)典卡爾曼濾波的研究還需要更深一步進(jìn)行，由于時(shí)間和能力有限，本次的作業(yè)對(duì)于卡爾曼及其他濾波器的研究只能達(dá)到這種程度，希望在以后的學(xué)習(xí)中，能發(fā)現(xiàn)更好的對(duì)經(jīng)典卡爾曼濾波器的改進(jìn)方法。w(1)=0。a=1。Q1 = randn(1,N)*1。%測(cè)量噪聲for k=2:N。 end%狀態(tài)矩陣for k=1:N。endp(1)=10。for t=2:N。Rvv=cov(Q2(1:t))。b(t)=c*p1(t)/(c.^2*p1(t)+Rvv)。p(t)=p1(t)c*b(t)*p1(t)。plot(t,s,39。,t,Y,39。,t,x,39。)。kalman estimate39。ovservations39。truth39。 最速下降法clcclear allN=30。%q1amp。q2/Ryx最大特征值hn=zeros(1,N)。vg=0。Ryx=min(min(corrcoef(1, 1+randn)))。 %vg=2*Rxx*hn(:,i)2*Ryx。 vg=2*Rxx*hn(i)2*Ryx。 m(i)=1。plot(t,hn(t),39。,t,m(t),39。)。N=300。 x = zeros(1,N)。p = 10。%過(guò)程噪聲協(xié)方差R = randn(1,N)。%加過(guò)程噪聲的狀態(tài)輸出for k = 2 : N Q1 = cov(Q(1:k1))。 x(k) = x(k 1)。%對(duì)應(yīng)于預(yù)估值的協(xié)方差 kg = p / (p + Q2)。 p = (1 kg) * p。smooth_res = zeros(1,N)。for i = Filter_Wid + 1 : N tempsum = 0。 for j = i Filter_Wid : i 1 tempsum = tempsum + y(j)。 end kalman_p(i) = kalman_m/Filter_Wid。%平滑濾波end% figure(1)。t=1:N。expValue = zeros(1,N)。endplot(t,expValue,39。,t,x,39。,t,y,39。,t,smooth_res,39。,t,kalman_p,39。)。truth39。estimate39。measure39。smooth result39。smooth kalman39。%axis([0 N 0 30])xlabel(39。)。Room Temperature39。title(3
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1