精华内容
下载资源
问答
  • 自己编写Matlab 实现卡尔曼滤波源码,能够运行,附测试的数据和图片。
  • matlab实现卡尔曼滤波

    2012-01-04 12:01:48
    我自己搜集的一些卡尔曼滤波资料,并且亲测有效,里面的有多个设计思路和源代码,希望有用!
  • matlab实现卡尔曼滤波(Kalman filter)

    千次阅读 2018-03-26 21:14:24
    很早以前就听说卡尔曼滤波,一直没有下功夫彻底弄懂过。一年前,听一个老师(很好的一个老师,讲得认真、负责,科研也不错)做过专讲,从而加深了对Kalman filter的理解和认识,现记录如下,与大家分享,希望对大家...

     很早以前就听说卡尔曼滤波,一直没有下功夫彻底弄懂过。一年前,听一个老师(很好的一个老师,讲得认真、负责,科研也不错)做过专讲,从而加深了对Kalman filter的理解和认识,现记录如下,与大家分享,希望对大家有用:

          美国学者卡尔曼在美国宇航局埃姆斯研究中心访问时,发现他所研究的卡尔曼滤波器对于解决阿波罗计划中的轨道预测问题很有用,随即同宇航局展开合作研究。后来阿波罗飞船的导航系统中使用了这种滤波器,这也足以说明卡尔曼滤波的有效性。 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表。卡尔曼滤波从一组有限的,包含噪声的观察序列中预测和估计出目标运动状态包括位移、速度、加速度

    卡尔曼滤波有两组基本的方程,状态运动方程和观测方程,这是需要预先给定的。

    X(k)=A(k) X(k-1)+B U(k)+W(k)
    再加上系统的测量值:
    Z(k)=H (k)X(k)+V(k)
    上两式子中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量。A称为状态转移矩阵。可以看出状态运动方程反映了k-1时刻目标的状态与k时刻目标状态之间的关系,所以我们称之为状态运动方程。
    Z(k)是k时刻的观测值,H是观测矩阵,表示人们对于k时刻状态进行观测时,获取观测量的机制。W(k)和V(k)分别表示状态方程和观测方程的噪声。这个方程是描述观测第k时刻目标状态的机理。在实际问题中,通常假设A(k)=A,H(k) = H.因此我们可以看出,在应用卡尔曼滤波时,首先必须要给出运动方程和观测方程,也就是说,要对目标运动及观测过程进行建模,并且模型是线性的,称之为"Model-based"。这是卡尔曼滤波最大的一个缺陷。
    假设W和V为高斯白噪声(White Gaussian Noise),他们的covariance 分别是Q,R(这里我们假设他们不随系统状态变化而变化)。
    首先我们要利用状态方程预测下一状态的系统。假设当前时刻为k,根据系统的模型,可以基于系统的上一状态而预测出现在状态:
    X(k|k-1)=A X(k-1|k-1)+B U(k) ………..                                 (1)
    式(1)中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量,如果没有控制量,它可以为0。因为是利用状态方程对状态进行更新,反映了状态随时间演化的规律,因此,称之为时间更新。
    到现在为止,我们的系统结果已经更新了,可是,对应于X(k|k-1)的covariance,即上面预测值相对于真实状态的误差方差阵更新公式:
    P(k|k-1)=A P(k-1|k-1) A’+Q ………                                       (2)
    式(2)中,P(k|k-1)是X(k|k-1)对应的covariance,P(k-1|k-1)是X(k-1|k-1)对应的covariance,A’表示A的转置矩阵,Q是系统过程的covariance。式子1,2就是卡尔曼滤波器5个公式当中的前两个,也就是对系统的预测。
    当第k时刻的观测值Z(k)到达以后,我们希望利用它去修正第k个时刻的状态预测值。怎么去修正呢?当然是要用预测值中没有的信息去修正预测值了。因此Z(k)-H X(k|k-1)就是新的信息。结合预测值和测量值,我们可以得到现在状态(k)的最优化估算值X(k|k):
    X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ………                  (3)
    其中Kg为卡尔曼增益(Kalman Gain):
    Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ………                    (4)
    到现在为止,我们已经得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束,我们还要更新k状态下X(k|k)的covariance:
    P(k|k)=(I-Kg(k) H)P(k|k-1) ………                                    (5)
    其中I 为1的矩阵,对于单模型单测量,I=1。当系统进入k+1状态时,P(k|k)就是式子(2)的P(k-1|k-1)。这样,算法就可以自回归的运算下去。
    卡尔曼滤波器的原理基本描述了,式子1,2,3,4和5就是他的5 个基本公式。根据这5个公式,可以很容易用计算机编程实现。
    假设一个接近匀速运动的小球,初始位置为24,既然是“接近匀速”,必有误差,误差为0.04,状态转移矩阵是常数1。如果有一个仪器对位移进行测量,获得的是位移值,则观测矩阵也是1,测量一定有误差,其误差为0.25.从下面的图可以看出估计值即滤波与其真实值很接近,但是量测值与真实值相去甚远。

    转载:https://blog.csdn.net/u010545732/article/details/18989051
    展开全文
  • 一、卡尔曼滤波器核心的5个公式 二、实现效果 三、源码%============== Kalman filtering ================ clear; close all; %=============== generate data ==================== orginal_data = (1:2:200);...

    一、卡尔曼滤波器核心的5个公式

                

    二、实现效果

                 

    三、源码

    %============== Kalman filtering ================
    clear;
    close all;
    
    
    %=============== generate data ====================
    orginal_data = (1:2:200);
    noise = randn(1, 100);
    data = orginal_data + noise*0.05;
    
    
    %=============== design Kalman filtering ====================
    % 相关参数
    X = [0; 0];         % k-1 时刻的系统状态
    P = [1 0; 0 1];     % k-1 时刻的系统状态对应的协方差矩阵
    A = [1 1; 0 1];     % 系统参数
    Q = [0.0001 0; 0 0.0001];     % 系统过程的协方差
    H = [1 0];          % 测量系统的参数
    R = 1;              % 系统过程的协方差
    
    figure;
    hold on;
    for i = 2:100
       X_k = A*X;       % k 时刻的系统状态 
       P_k = A*P*A' + Q;                % k 时刻的系统状态对应的协方差矩阵
       Kg = P_k*H' / (H*P_k*H' + R);    % 卡尔曼增益(Kalman Gain)
       X = X_k + Kg*(data(i) - H*X_k);  % k时刻的系统状态的最优化估算值
       P = (eye(2) - Kg*H) * P_k;       % 更新k时刻的系统状态对应的协方差矩阵
       
       % 纵轴表示速度
       scatter(i, data(i)-data(i-1), 20, 's', 'filled', 'red');
       scatter(i, X(2), 5);          
    end

    展开全文
  • 计算机实习报告 MATLAB卡尔曼滤波的仿真实现 MATLAB卡尔曼滤波的仿真实现 实验目的 基于卡尔曼滤波原理利用matlab针对以下模型编制代码进行仿真 1仿真100次每次50步从100次仿真中任选一次将其对应的状态真值和...
  • %%%%%%%%%%%%%%%%%%3 d. ?" b# U" n.... i5 T%功能说明:Kalman滤波用在一维温度数据测量系统中* t- R* F8 H1 L# rfunction main* E! b% S4 j$ |6 e%%%%%%3 e2 G7 I3 P2 M3 t0 V7 cN = 120; %一...

    %%%%%%%%%%%%%%%%%%3 d. ?" b# U" n. C4 s. f! i5 T

    %功能说明:Kalman滤波用在一维温度数据测量系统中

    * t- R* F8 H1 L# rfunction main* E! b% S4 j$ |6 e

    %%%%%%3 e2 G7 I3 P2 M3 t0 V7 c

    N = 120;                                    %一共采样的点数,时间单位是分钟,可理解为实验进行了60分钟的测量A+ V; X  d- g- g) g7 F% q% m

    CON = 25;                                %室内温度的理论值,在这个理论值的基础上受过程噪声会有波动' L3 w  k, v8 Y  r/ E

    %ones(a,b) 产生a行b列值为1的矩阵

    ( \, X5 L, _' X: c9 t%zeros(a,b)产生a行b列值为0的矩阵

    1 q; B* l$ s6 SXexpect = CON*ones(1,N);     %期望的温度是恒定的25度,但实际温度不可能会这样的

    ' E! U! D. l- I

    * k4 Q' b7 s5 A& D0 N# OX = zeros(1,N);                         %房间各时刻真实温度值

    * v- q  \7 e8 IXkf = zeros(1,N);                      %Kalman滤波处理的状态,也叫估计值

    + h! \' n$ y3 S4 [: r, }; i/ [8 P9 QZ = zeros(1,N);                         %温度计测量值

    ( V; H0 y! c2 u: S' xP = zeros(1,N);8 V7 P9 }0 K  e# q* A4 T

    %X(1)为数组的第一个元素

    ' _1 M% _  z3 O2 p3 F; K3 V5 H8 DX(1) = 25.1;     %假如初始值房间温度为25.1度

    * \0 Z0 t; m8 ]P(1) = 0.01;     %初始值的协方差   (测量值 - 真实值)^21 R' q/ x/ ~& [* X2 A. d

    / q7 \! v& d* u7 r3 R( }. E7 T%产生0-1的随机数  模拟系统的随机数据

    ' b& w2 w2 ]" OZ = 24+rand(1,N)*10 - 5;       # R4 i9 t3 F- r/ U

    & V, \6 f3 }; q* N8 ~5 WZ(1) = 24.9;     %温度计测的第一个数据* C5 `8 r  p3 ~+ t* X

    Xkf(1) = Z(1);  %初始测量值为24.9度,可以作为滤波器的初始估计状态噪声3 _" q# O! |7 n; q2 m

    + Q; v" j3 ^6 @6 S- p: OQ = 0;        %扰动误差方差(不存在扰动误差只有测量误差)

    . B8 ~: w& _' @* p+ \R = 0.25;        %测量误差方差& ^/ w7 f/ F9 ^2 }. D% }& T( _

    %sqrt(Q)*randn(1,N)为产生方差为0.01的随机信号

    ' E% w2 q: E4 ]4 H$ e0 b%W为过程噪声# v6 u! R' x- j. i. w# W8 H2 C

    %V为测量噪声% ~: f/ I" b* r9 s% x9 l0 G, z

    W = sqrt(Q)*randn(1,N); %方差决定噪声的大小

    7 x8 `6 x) S1 T$ i7 ^3 t+ i& SV = sqrt(R)*randn(1,N);%方差决定噪声的大小6 C. a/ W. X: ]" M" g

    %系统矩阵7 E5 B: n. Y' P/ r

    %解释:因为该系统的数据都是一维的,故各变换矩阵都是1,原因自己找书理解0 x( d: P% n- P: @5 F

    F = 1;

    3 m: ^& r- O7 Z/ S& rG = 1;+ l, D# ?( z. A' B3 T: q

    H = 1;6 D6 p% h4 n" b* Q

    %eye产生m×n的单位矩阵 数值应该为1

    + f0 H1 C5 n. j5 `9 {" ZI = eye(1);  %本系统状态为一维5 A1 b, Z: v* p0 [

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

    ( o7 X) `# W2 w% _8 |9 i1 \' `%模拟房间温度和测量过程,并滤波. A/ U* \* B/ H. u; M; X

    ; L; t7 l" u/ X7 g* F# @4 b7 D/ c$ V

    for k = 2:N

    + I$ t# W3 C/ y' e' H6 }, P    %第一步:随时间推移,房间真实温度波动变化( W# Q* i( k- z) [% @3 x( t* J8 ]  m

    %k时刻房间的真实温度,对于温度计来说,这个真实值是不知道的但是它的存在又是客观事实,读者要深刻领悟这个计算机模拟过程$ w- B. R! t+ @& ?

    X(k) = F*X(k - 1)+G*W(k - 1);%实际值为理想值叠加上扰动噪声

    # Y6 @$ ?9 G0 T8 f( P3 X0 t9 o' V    %第二步:随时间推移,获取实时数据

    ; m. p& a* Q# I8 k7 M* k0 ^    %温度计对K时刻房间温度的测量,Kalman滤波是站在温度计角度进行的,

    : u* c3 t+ e' q0 Y8 ?    %它不知道此刻的真实状态X(k),只能利用本次测量值Z(k)和上一次估计值Xkf(k)来做处理,其目标是最大限度地降低测量噪声R的影响' Q1 R, h7 ?1 q

    %尽可能的逼近X(k),这也是Kalman滤波目的所在$ x% O. N$ M0 n5 j

    o! d4 L, c& [

    %修改本次函数L) h# I+ j' g/ H. N6 l- d

    %Z(k) = H*X(k)+V(k);                %测量值为实际值叠加上测量噪声

    7 C7 s& y5 m) O) r# M

    1 f& W( f2 M- b) \    %第三步:Kalman滤波

    6 C- G  ]+ ~0 @! K  D) d' |3 l    %有了k时刻的观测Z(k)和k-1时刻的状态,那么就可以进行滤波了,5 ?* @# v- P! Q: G9 n, {

    %读者可以对照(3.36)到式(3.40),理解滤波过程% a: g) b: m/ G# B" `8 N4 v& h

    X_pre = F*Xkf(k - 1);                        %状态预测          X_pre为上一次卡尔曼滤波值7 ~1 z/ S2 T7 e, n

    P_pre = F*P(k - 1)*F + Q;                %协方差预测

    9 I5 a! x5 b* K9 Y3 l    %inv()为求一个方阵的逆矩阵。: M# z8 S& G' ]

    Kg = P_pre*inv(H * P_pre*H' + R);  %计算卡尔曼增益

    7 V! z6 k0 f8 A    e = Z(k) - H*X_pre;                           %新息                 本次测量值与上次预测值之差

    " A7 Q  y/ F* q6 g5 [% O% _1 E    Xkf(k) = X_pre + Kg*e;                     %状态更新         本次预测值# }7 B- k9 r4 W; ~9 f

    P(k) = (I - Kg*H)*P_pre;                    %协方差更新9 |1 R& {3 A$ K8 {$ U, q

    end

    6 k9 T8 d6 W- H0 K8 g%计算误差- v# b( G# P! w: t; ]. s; U' \. Z

    Err_Messure = zeros(1,N);   %测量值与真实值之间的偏差

    ' o$ m2 ?# V" ?, t3 V2 t( ?2 H0 SErr_Kalman = zeros(1,N);     %Kalman估计与真实值之间的偏差$ z6 q- k) [" S1 @7 P" s1 @: D# @

    for k = 1:N 8 W( o1 N( i& A1 N  F  A8 L4 Y

    Err_Messure(k) = abs(Z(k) - X(k));    %abs()为求解绝对值' O8 L. X" W7 O/ u( e1 ?6 X

    Err_Kalman(k) = abs(Xkf(k) - X(k));

    9 H# }: G- C; aendK3 W" R) i% x3 A

    t = 1:N;4 {9 _& Q9 ~* V

    figure   %画图显示1 Q4 ?2 v! ~4 @' X

    %依次输出理论值,叠加过程噪声(受波动影响)的真实值! `7 p8 |5 N" {- h9 J3 v

    %温度计测量值,Kalman估计值

    & {  N; {& X1 b* L% W7 jplot(t,Xexpect,'-b',t,X,'-r',t,Z,'-ko',t,Xkf,'-g*');

    ) H: P9 z: T# B* B0 |legend('期望值','真实值','观测值','Kalman滤波值');$ a/ E* ]2 A9 ^" c" b" ~3 z0 c$ B

    xlabel('采样时间/s');

    [, t8 E, ?0 }% V( Cylabel('温度值/C');" S7 R+ N5 o+ y

    %误差分析图

    [" x2 n( [+ }) ~  s6 Hfigure  %画图显示

    4 G: f& F/ H* Cplot(t,Err_Messure,'-b.',t,Err_Kalman,'-k*');

    5 f: N0 N% K0 r! _legend('测量偏差','Kalman滤波偏差');: {0 L& p' k$ {% Y" ~

    xlabel('采样时间/s');; V5 n9 E4 W' x. E, N

    ylabel('温度偏差值/C');* [& Q! b& {5 j- h

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

    展开全文
  • matlab卡尔曼滤波.matlab仿真
  • 基于MATLAB卡尔曼滤波算法实现

    千次阅读 2020-04-20 20:30:47
    以下为纯小白对卡尔曼滤波算法的MATLAB实现进行简单总结,以便以后复习。 一、 背景介绍 假设一小车作匀加速运动,初速度为0,加速度为5米每二次方秒,小车上装有速度传感器,采样频率为10Hz,传感器测量噪声为高斯...

    以下为纯小白对卡尔曼滤波算法的MATLAB实现进行简单总结,以便以后复习。

    一、 背景介绍

    假设一小车作匀加速运动,初速度为0,加速度为5米每二次方秒,小车上装有速度传感器,采样频率为10Hz,传感器测量噪声为高斯白噪声,需要充分利用这些信息来估计车辆的速度状态,并验证卡尔曼滤波算法的实验原理与过程。

    二、卡尔曼滤波原理

    早在近百年前,就有人开始采用状态变量模型研究随机过程,随后为了解决对非平稳、多输入输出随机序列的估计问题,卡尔曼提出了递推最优估计理论。它采用状态空间法描述系统,由状态方程和测量方程组成,即知道前一个状态的估计值和最近一个观测数据,采用递推算法估计当前的状态值。其具有以下特点:
    (1) 算法是一个递推过程,且状态空间法采用在时域内设计滤波器的方法,因而适用于多维随机过程的估计;离散型卡尔曼滤波算法适用于计算机处理。
    (2) 采用递推算法计算,不用知道所有过去的值,用状态方程描述状态变量的动态变化规律,卡尔曼滤波同样适用于非平稳过程。
    如图所示,为卡尔曼滤波算法的实现流程图,其基本思路是若有一组强而合理的假设,给出系统的历史测量值,可以建立最大化这些早前测量值的后验概率的系统状态模型。其基本假设是被建系统是线性的,影响测量的噪声属于符合高斯分布的白噪声。
    算法框图

    三、卡尔曼滤波的状态方程和测量方程

    整个实现过程包含预测更新和测量更新两大部分。
    (1) 预测更新:
    预测状态量:
    在这里插入图片描述
    预测误差协方差矩阵:
    在这里插入图片描述
    (2) 测量更新:
    最优估计状态量:
    在这里插入图片描述
    计算误差增益:
    在这里插入图片描述
    误差协方差矩阵:
    在这里插入图片描述
    设k时刻小车速度为 ,则系统状态方程为:
    在这里插入图片描述
    测量方程为:
    在这里插入图片描述
    结合卡尔曼滤波算法的预测和测量更新流程,可有:
    在这里插入图片描述

    四、结果分析

    根据以上理论分析,完成相应matlab程序(代码见后),并画出小车速度的观测值、真实值、滤波值的对比曲线图如下:
    小车速度的观测值、真实值、滤波值的对比曲线

    五、代码

    (1) kalman.m

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
     %日 期: 2020.3.10
     %程序功能:使用卡尔曼滤波器估计小车匀加速运动时的速度状态
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    clear
    clc
    clear all
    A = [1];
    B = [1];
    U = 0.5;      %A,B,U初始值来自于状态方程
    H = [1];       %H来自于测量方程
    step = 500;
    v = normrnd(0,10,1,step); %均值为0,方差为10噪声
    X_0 = zeros(1,step);         %先验估计初始值
    X0 = zeros(1,step);           %后验估计初始值
    Z = zeros(1,step);             %观测值初始值
    true = 0.5*(1:step);           %小车真实速度
    temp = true + v(1,:);
    Z(1,:) = temp;    %加入噪声的速度,模拟观测值
    Q = [10];           %状态方程噪声协方差矩阵
    R = [500];         %测量方程协方差矩阵
    P0 = [1];           %初始后验估计协方差
    P_0 = [1];
    for i = 2:step
        [X_0(i),P_0] = kalmanPredictor(A,B,U,P0,Q,X0(i-1));
        [X0(i),P0] = kalmanUpdater(H,R,P_0,Z(i),X_0(i));
    end
    figure;
    plot(Z,'g.');
    hold on;
    plot(true,'r.');
    hold on;
    plot(X0,'b');
    grid on;
    legend('观测值','真实值','kalman滤波');
    

    (2)kalmanPredictor.m

    function [Xp,Pp] = kalmanPredictor(A,B,U,P0,Q,X0)
    Xp = A*X0 + B*U;
    Pp = A*P0*A' + Q;
    end
    

    (3)kalmanUpdater.m

    function [Xup,Pup] = kalmanUpdater(H,R,Pp,Z,Xp)
    I = eye(size(Xp,1));
    K = (Pp*H')/(H*Pp*H' + R);
    Xup = Xp + K*(Z-H*Xp);
    Pup = (I-K*H)*Pp;
    end
    
    展开全文
  • 主要讲了matlab中如何应用卡尔曼滤波实现状态的估计和参数的估计,适用于随机线性和非线性的系统
  • 在波拍浪打下船舶或是海洋平台将发生平动与转动,剧烈的运动对海上施工作业是非常不利的,这就用到了动力定位技术。该文件为Matlab实现船舶动力定位卡尔曼滤波代码。
  • 卡尔曼滤波器的Matlab实现、包括一个例子,仿真程序、仿真结果以及分析等。适合新手。
  • 学习参考:卡尔曼滤波器的原理以及在matlab中的实现Opencv实现Kalman滤波器opencv中的KF源码分析Opencv-kalman-filter-mouse-tracking理解:假设:一个小车距离左侧某一物体k时刻的真实位置状态 ,而位置状态观测值为...
  • 将下例进行EKF和UKF代码实现,进行仿真复现。 EKF算法模型 clc; clear; %测量值模拟 T=0.05;%滤波周期 T_go=10;%滤波时间 N=T_go/T;%观测次数 t=0:T:T_go-T;%假定输出序列(供画图用) x=zeros(2,N); z=zeros(2,N)...
  • 卡尔曼滤波应用及其matlab实现

    万次阅读 多人点赞 2018-02-11 20:32:18
    线性卡尔曼滤波 卡尔曼滤波在温度测量中的应用 X(k)=A*X(k-1)+T*W(k-1) Z(k)=H*X(k)+V(k) 房间温度在25摄氏度左右,测量误差为正负0.5摄氏度,方差0.25,R=0.25。Q=0.01,A=1,T=1,H=1。 假定快时刻...
  • 卡尔曼滤波简介及其算法matlab实现代码 为了可以更加容易的理解卡尔曼滤波器,这里会应用形象的描述方法来讲解,而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是,他的 5 条公式是其核心内容。结合...
  • 卡尔曼滤波MATLAB实现

    2019-04-29 09:13:49
    详细介绍了卡尔曼滤波原理,对卡尔曼滤波进行了MATLAB仿真设计
  • 权威使用matlab实现卡尔曼滤波的书籍,包括理论和实践。Kalman Filtering - Theory and Practice Using MATLAB - Mohinder Grewal (Wiley, 2001, 0471392545)
  • 本资源使用的是MATLAB进行编程。使用卡尔曼滤波的方法进行室内温度的预测,室内温度设为恒温25度。
  • 卡尔曼滤波实现简单,滤波效果好 ,下面分享一个基于卡尔曼滤波matlab算法,数据全部为一维状态,本人弥补的详细备注,供爱好者研究学习。%%%%%%%%%%%%%%%%%%%功能说明:Kalman滤波用在一维温度数据测量系统中...
  • matlab实现卡尔曼滤波的源码,初学的来看看
  • 卡尔曼滤波Matlab实现

    2012-01-01 13:50:45
    matlab卡尔曼滤波进行仿真,源代码和PPT。
  • 卡尔曼滤波Matlab实现

    万次阅读 多人点赞 2018-08-07 01:19:53
    卡尔曼滤波原理浅析 一、什么是卡尔曼滤波  滤波是从信号中提取有用信息的过程,比如从电信号中提取有用的频谱分量,从观测到的物体轨迹中提取位置信息,滤除图像信号中的噪声等。卡尔曼滤波是一种有效的滤波...
  • 卡尔曼滤波matlab实现

    2019-07-23 11:53:15
    卡尔曼滤波matlab实现,function X = kalman_filter_fun(data,Q,R,x0,P0),data只能是一维数组

空空如也

空空如也

1 2 3 4 5 ... 16
收藏数 305
精华内容 122
关键字:

matlab实现卡尔曼滤波

matlab 订阅