Python 卡尔曼滤波器的设计
因此,我被要求设计一个卡尔曼滤波器,并进行一些模拟以查看结果。 给定方程式: x(k+1)=-0.8*x(k)+sin(0.1k)+w(k)Python 卡尔曼滤波器的设计,python,matlab,filter,kalman-filter,estimation,Python,Matlab,Filter,Kalman Filter,Estimation,因此,我被要求设计一个卡尔曼滤波器,并进行一些模拟以查看结果。 给定方程式: x(k+1)=-0.8*x(k)+sin(0.1k)+w(k) y(k)=x(k)+v(k) 其中w(k)和v(k)是处理和测量噪声 w(k)~N(0,0.01) v(k)~N(0,1) 我想确保一切都正常工作,并且在我的代码中有意义 A = -0.8; B = 1; C = 1; % Covariance matrices % Processing noise W = 0.01; Q=W; % Measureme
y(k)=x(k)+v(k)
其中w(k)和v(k)是处理和测量噪声
w(k)~N(0,0.01)
v(k)~N(0,1) 我想确保一切都正常工作,并且在我的代码中有意义
A = -0.8;
B = 1;
C = 1;
% Covariance matrices
% Processing noise
W = 0.01;
Q=W;
% Measurement noise
V = 1;
R=V;
% Initial conditions
x0 = 0;
P0 = 0;
xpri = x0;
Ppri = P0;
xpost = x0;
Ppost = P0;
% State
Y = zeros(1, size(t,2));
X = Y;
X(1) = x0;
% xpri - x priori
% xpost - x posteriori
% Ppri - P priori
% Ppost - P posteriori
for i = 1:size(t,2)
%Simulation
Y(i) = C*sin((i-1)*0.1)+normrnd(0,sqrt(V));
if i > 1
% Prediction
xpri = A*xpost+B*sin((i-1)*0.1);
Ppri = A*Ppost*A' + Q;
eps = Y(i) - C*xpri;
S = C*Ppri*C' + R;
K = Ppri*C'*S^(-1);
xpost = xpri + K*eps;
Ppost = Ppri - K*S*K';
X(i) = xpost;
end
end
plot(t, Y, 'b', t, X, 'r')
title('Kalman's Filter')
xlabel('Time')
ylabel('Value')
legend('Measured value', 'Estimated value')
这个KF工作正常吗?如果没有,有什么问题
代码看起来正常,结果也正常。什么使你怀疑 这里是一个通用的卡尔曼滤波器实现,作为一个函数,如果您想再次检查,可以检查它。但对于滤波器,它的全部功能是调整协方差矩阵
P
,Q
,R
function [v_f,xyz] = KF(u,z,A,B,C,D,x0,P0,Q,R)
%% initialization
persistent x P
if isempty(x)||isempty(P)
% state vector
x = reshape(x0,numel(x0),1); % ensure vector size
if nargin < 8 || isempty(P0)
P0 = eye(length(x)); %default initialization
emd
P = P0; % covariance matrix
end
%% covariance matrices
if nargin < 9 || isempty(Q)
Q = diag( ones(length(x) )*1e1; % proess-noise-covariance
end
% % Q = 0 -> perfect model. Q =/= 0 -> pay more attention to the measurements.
%
if nargin < 10
R = diag( ones(length(z)) ) *1e1; % measurement-noise-covariance
end
% The higher R, the less trusting the measurements
%% prediction
x_P = A*x + B*u;
P = A*P*A.' + Q; % covariance matrix
%% update
H = C;
K = P*H.'*(H*P*H.' +R)^-1;
x = x_P + K*(z - H*x_P);
P = (eye(length(x)) - K*H)*P;
%% Output
y = C*x;
end
函数[v_f,xyz]=KF(u,z,A,B,C,D,x0,P0,Q,R)
%%初始化
持久性xp
如果isempty(x)| | isempty(P)
%状态向量
x=重塑(x0,努梅尔(x0),1);%确保向量大小
如果nargin<8 | |为空(P0)
P0=眼睛(长度(x));%默认初始化
emd
P=P0;%协方差矩阵
结束
%%协方差矩阵
如果nargin<9 | |是空的(Q)
Q=diag(长度(x))*1e1;%proess噪声协方差
结束
%%Q=0->完美模型。Q=/=0->更多注意测量值。
%
如果nargin<10
R=diag(长度(z))*1e1;%测量噪声协方差
结束
%R越高,对测量结果的信任度越低
%%预测
x_P=A*x+B*u;
P=A*P*A.+Q;%协方差矩阵
%%更新
H=C;
K=P*H.*(H*P*H.+R)^-1;
x=x_P+K*(z-H*x_P);
P=(眼睛(长度(x))-K*H)*P;
%%输出
y=C*x;
结束
在任何情况下,我建议将这个问题转移到,因为您显然没有问题,只是想查看您的代码,对吗?我认为我不能使用mine实现过滤其他数据?它只在一种情况下有效,对吗?例如,如果我想过滤除正弦波以外的线性信号的噪声数据?嗯,等等,您需要d,以便在重新运行时清除持久变量。可以通过从函数外部调用
clear KF
来执行此操作。否则,它将保留上一示例中的变量