失眠网,内容丰富有趣,生活中的好帮手!
失眠网 > 卡尔曼滤波(Kalman Filtering)——(6)MATLAB仿真(保姆级)

卡尔曼滤波(Kalman Filtering)——(6)MATLAB仿真(保姆级)

时间:2021-09-03 00:56:38

相关推荐

卡尔曼滤波(Kalman Filtering)——(6)MATLAB仿真(保姆级)

MATLAB仿真

一、卡尔曼滤波的实际应用二、流程图三、执行过程四、程序代码五、仿真结果参考文献

一、卡尔曼滤波的实际应用

在这里依旧以前面提到的测量硬币为例进行MATLAB仿真。现有一枚硬币为了这枚硬币的直径,我们进行了多次测量,但是所使用的的尺子存在一定误差,人进行测量的过程中存在测量误差,而且由常识可以估算硬币的直径得到估计值。所以测量所得到的值与估计值哪一个更接近真实值呢?

已知:硬币直径真实值为50mm;

 首次估计误差为40mm;

 过程误差方差为4e-4;

 尺子的误差方差为3。

二、流程图

由前面几篇博客对卡尔曼滤波公式进行了仔细的推导,一共得到了五大公式。卡尔曼滤波的过程就是对系统进行预测加矫正的过程,两者循环迭代使系统逐渐趋近于真实值。下面就是卡尔曼滤波过程的流程图。

三、执行过程

一、由k-1次估计的硬币直径x^k−1\hat{x}_{k-1}x^k−1​ 去估计第k次系统的状态值(直径) x^k−,x^k−=Ax^k−1+Buk−1\hat{x}_{k}^{-}, \hat{x}_{k}^{-}=A \hat{x}_{k-1}+B u_{k-1}x^k−​,x^k−​=Ax^k−1​+Buk−1​, 对应于本例中系统无输入uk−1=0u_{k-1} = 0uk−1​=0 ;A=H=I;Q=4e−4;R=3A = H= I;Q = 4e-4;R = 3A=H=I;Q=4e−4;R=3。则x^k−=x^k−1=40mm\hat{x}_{k}^{-}=\hat{x}_{k-1}=40mmx^k−​=x^k−1​=40mm。

二、由上一次的误差协方差 Pk−1P_{k-1}Pk−1​ 和过程噪声Q预测新的误差 Pk−,Pk−=P_{k}^{-}, P_{k}^{-}=Pk−​,Pk−​= APk−1AT+QA P_{k-1} A^{T}+QAPk−1​AT+Q, 对应于本例中Pk−=5P_{k}^{-}=5Pk−​=5 。

三、计算卡尔曼增益, Kk=Pk−HT(HPk−HT+R)−1K_{k}=P_{k}^{-} H^{T}\left(H P_{k}^{-} H^{T}+R\right)^{-1}Kk​=Pk−​HT(HPk−​HT+R)−1, 对应于本例中 Kk=K_{k}=Kk​= 5/(5+3),Kk=0.6255/\left(5+3\right), \quad K_{k}=0.6255/(5+3),Kk​=0.625 。

四、 进行校正更新, x^k=x^k−+Kk(zk−Hx^k−)\hat{x}_{k}=\hat{x}_{k}^{-}+K_{k}\left(z_{k}-H \hat{x}_{k}^{-}\right)x^k​=x^k−​+Kk​(zk​−Hx^k−​), 对应于上例中 x^k=40+0.625∗\hat{x}_{k}=40+0.625 *x^k​=40+0.625∗ (zk−40)(z_{k}-40)(zk​−40), 此 x^k\hat{x}_{k}x^k​ 即为 k\mathrm{k}k 时刻的最优直径。

五、为下一步估计 k+1\mathrm{k}+1k+1 时刻的最优温度值的迭代进行更新操作, 级更新 PkP_{k}Pk​ 值, Pk=(I−KkH)Pk−,P_{k}=\left(I-K_{k} H\right) P_{k}^{-}, \quadPk​=(I−Kk​H)Pk−​, 对应于上例中的 (1−Kk)∗5=1.875\left(1-K_{k}\right) * 5=1.875(1−Kk​)∗5=1.875。

四、程序代码

本次程序运行环境为WIN7+MATLAB Ra

% Kalman filter example %% 系统描述:% 1.硬币直径真实值为50mm;% 2.开始时,硬币直径的估计为40mm,估计误差为5mm;% 3.尺子的测量误差为3mm;%% 变量初始化close all;% intial parameters% 计算连续n_iter次数n_iter = 100;% size of array. n_iter行,1列sz = [n_iter, 1];% 硬币直径的真实值x = 50;% 过程方差,反应连续两个次直径方差。更改查看效果Q = 4e-4;% 测量方差,反应尺子的测量精度。更改查看效果R = 3;% z是尺子的测量结果,在真实值的基础上加上了方差为3的高斯噪声。z = x + sqrt(R)*randn(sz);%% 对数组进行初始化% 对直径的后验估计。即在k次,结合尺子当前测量值与k-1次先验估计,得到的最终估计值xhat = zeros(sz); % 后验估计的方差P = zeros(sz); % 直径的先验估计。即在k-1次,对k时刻直径做出的估计xhatminus = zeros(sz);% 先验估计的方差Pminus = zeros(sz);% 卡尔曼增益,反应了尺子测量结果与过程模型(即当前时刻与下一次直径相同这一模型)的可信程度K = zeros(sz); % intial guessesxhat(1) = 40; %直径初始估计值为40mmP(1) =10; % 误差方差为10%% kalman 方程for k = 2:n_iter% 时间更新(预测) % 用上一次的最优估计值来作为对本次的直径的预测xhatminus(k) = xhat(k-1);% 预测的方差为上一次直径最优估计值的方差与过程方差之和Pminus(k) = P(k-1)+Q;% 测量更新(校正)% 计算卡尔曼增益K(k) = Pminus(k)/( Pminus(k)+R );% 结合当前时刻尺子的测量值,对上一次的预测进行校正,得到校正后的最优估计。该估计具有最小均方差xhat(k) = xhatminus(k)+K(k)*(z(k)-xhatminus(k));% 计算最终估计值的方差P(k) = (1-K(k))*Pminus(k);end%% 作图FontSize = 14;LineWidth = 3; % 线宽figure();plot(z,'r-*'); %画出尺子的测量值hold on;plot(xhat,'b-','LineWidth',LineWidth) %画出最优估计值hold on;plot(x*ones(sz),'g-','LineWidth',LineWidth); %画出真实值grid on;legend('尺子的测量结果', '后验估计', '真实值');title('kalman 滤波','fontsize',FontSize);xl = xlabel('次数');yl = ylabel('直径(mm)');set(xl,'fontsize',FontSize);set(yl,'fontsize',FontSize);hold off;set(gca,'FontSize',FontSize);% gca:坐标轴序号figure();valid_iter = 2:n_iter; % Pminus not valid at step 1% 画出最优估计值的方差plot(valid_iter,P(valid_iter),'LineWidth',LineWidth);grid on;legend('后验估计的误差估计');title('最优估计值的方差','fontsize',FontSize);xl = xlabel('次数');yl = ylabel('次数^2');set(xl,'fontsize',FontSize);set(yl,'fontsize',FontSize);set(gca,'FontSize',FontSize);

五、仿真结果

参考文献

MATLAB官方文档

二维图绘制官方文档

如果觉得《卡尔曼滤波(Kalman Filtering)——(6)MATLAB仿真(保姆级)》对你有帮助,请点赞、收藏,并留下你的观点哦!

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。