共计 2599 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=24947
本案例钻研阐明了卡尔曼滤波器的设计和仿真。思考稳态和时变卡尔曼滤波器。
动物动力学
思考一个在输出 u[n]上有加性高斯噪声 w[n]的离散动物。
此外，让 yv[n] 是输入 y[n] 的噪声测量，其中 v[n] 示意测量噪声：
离散卡尔曼滤波器
该问题的稳态卡尔曼滤波器方程如下。
- 测量更新：
- 工夫更新：
在这些方程中：
- ˆx[nn−1] 是 x[n] 的估计值，给定过来直到 yv[n−1] 的测量值。
- ˆx[nn] 是基于最初一次测量 yv[n] 的更新预计。
给定以后预计 ˆx[nn]，工夫更新预测下一个样本_n_ + 1 的状态值（提前一步预测）。而后，测量更新基于新的测量值 yv[n+1] 调整该预测。修改项是新值的函数，即 y[n+1] 的测量值和预测值之间的差别。这种差别由下式给出：
给定噪声协方差，抉择翻新增益 M 以最小化预计误差的稳态协方差：
您能够将工夫和测量更新方程组合到一个状态空间模型中，即卡尔曼滤波器：
该滤波器生成 yn 的最佳预计 ˆy[nn]。请留神，过滤器状态是 ˆx[nn−1]。
稳态设计
您能够应用函数 设计上述稳态卡尔曼滤波器 kalman。首先指定带有过程噪声的工厂模型：
这里，第一个表达式是状态方程，第二个是测量方程。
以下命令指定此工厂模型。采样工夫设置为 -1，以将模型标记为离散模型而不指定采样工夫。
Pla = s假如 _Q_ = R = 1，设计离散卡尔曼滤波器。
kalm此命令返回kalmf 滤波器的状态空间模型 以及翻新增益 M。
M
kalmf 的输出 是 _u_ 和 yv，以及。输入是工厂输入和状态预计，ye=ˆy[nn] 和 ˆx[nn]。
因为您对输入预计 ye 感兴趣，所以抉择第一个输入 kalmf 并抛弃其余的。
kalmf要查看滤波器的工作原理，请生成一些输出数据和随机噪声，并将滤波后的因变量 ye 与实在因变量 _y 进行比拟_。您能够独自生成每个因变量，也能够同时生成两者。要别离模仿每个因变量，先独自应用 动物，而后将动物和过滤器连贯在一起。接下来具体介绍联结仿真代替计划。
上面的框图显示了如何生成实在输入和过滤输入。
您能够应用函数和 构建此框图的状态空间模型。首先构建一个残缺的工厂模型，以 _u_、_w_、_v_ 作为输出，_y_ 和 yv（测量值）作为输入。
s(a,b,c,d,-1,'iptnme',{'u' 'w' 'v'},'ouutnae',{'y' 'yv'});而后造成下图的并联。
pal(P,kf,1,1,\[\],\[\]);最初，通过将设施输入 yv 连贯到具备正反馈的过滤输出 yv 来敞开传感器回路。
Smoe = feedback; % 围绕输出 #4 和输入#2 敞开循环
SiMe = SMdl % 从 I / O 列表中删除 yv生成的仿真模型将 _w_、_v_、_u_ 作为输出，_y_ 和 ye 作为输入。查看属性进行验证。
InuNe
OupNme
您当初已筹备好模仿过滤器。生成正弦输出 _u_ 并解决和测量噪声向量 _w_ 和 _v_。
n = length
w = sqrt*randn
v = sqrt*randn模仿因变量。
\[out,x\] = lsim
y = out; % 实在响应
ye = out; % 滤过的响应
yv = y + v; % 测量响应以图形形式比拟实在和过滤后的因变量。
plot
xlabel
title
subplot
xlabel
第一个图显示了实在因变量 _y_（虚线）和过滤后的输入 ye（实线）。第二个图将测量误差（点划线）与预计误差（实线）进行比拟。该图显示乐音程度已显着升高。这是通过计算协方差误差来确认的。滤波前的误差协方差（测量误差）为：
MEro = sum/length滤波后的误差协方差（预计误差）升高：
EsrCv = sum/length时变卡尔曼滤波器
时变卡尔曼滤波器是对时变零碎或具备非安稳噪声协方差的 LTI 零碎的稳态滤波器的推广。
思考以下工厂状态和测量方程。
时变卡尔曼滤波器由以下递归给出：
- 测量更新：
- 工夫更新：
这里，ˆx[nn−1] 和 ˆx[nn] 如前所述。此外：
为简略起见，示意状态空间矩阵的工夫依赖性的下标已被删除。
给定初始条件 x[10] 和 P[10]，您能够迭代这些方程来执行过滤。您必须在每个工夫样本更新状态预计 x[n.] 和误差协方差矩阵 P[n.]。
时变设计
要实现这些滤波器递归，首先要生成噪声输入测量值。应用 之前产生的过程噪声 w 和测量噪声 v。
y = lsim假如以下初始条件：
用for 循环实现时变滤波器。
P = B\*Q\*B'; % 初始误差协方差
x = zeros; % 状态的初始条件
for i = 1:length
% 测量更新
erv(i) = C\*P\*C';
% 工夫更新
x = A\*x + B\*u;以图形形式比拟实在输入和预计输入。
subplot(211)
subplot
xlabel
第一个图显示了实在因变量 _y_（虚线）和过滤后的因变量 ye（实线）。第二个图将测量误差（点划线）与预计误差（实线）进行比拟。
时变滤波器还预计errcov 每个样本的预计误差 y-ye 的协方差。绘制它以查看您的滤波器是否达到稳固状态（正如您对固定输出噪声所冀望的那样）。
subplot(211)
plot
从这个协方差图中，您能够看到输入协方差的确在大概五个样本中达到了稳固状态。从那时起，您的时变滤波器具备与稳态版本雷同的性能。
与由试验数据导出的预计误差协方差比拟：
Esro = sum/length该值小于理论值 errcov，靠近稳态设计取得的值。
最初，留神最终值 M[n] 和 翻新增益矩阵的稳态值 _M_重合。
Mn
M
最受欢迎的见解
1.matlab 应用教训模式合成 emd 对信号进行去噪
2.Matlab 应用 Hampel 滤波去除异样值
3.matlab 偏最小二乘回归 (PLSR) 和主成分回归 (PCR) 和主成分回归(PCR)”)
4.matlab 预测 ARMA-GARCH 条件均值和方差模型
5.matlab 中应用 VMD(变分模态合成) “)
6.matlab 应用贝叶斯优化的深度学习
7.matlab 贝叶斯隐马尔可夫 hmm 模型
8.matlab 中的隐马尔可夫模型 (HMM) 实现实现 ”)
9.matlab 实现 MCMC 的马尔可夫切换 ARMA – GARCH 模型
