“在代码的海洋里,有无尽的知识等待你去发现。我就是那艘领航的船,带你乘风破浪,驶向代码的彼岸。
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
隐藏状态通常不能直接观测到,但对于理解和控制系统的行为却起着关键作用。例如,在目标跟踪、机器人导航、金融市场预测等众多领域,准确估计隐藏状态可以为决策提供重要依据。 无迹卡尔曼滤波(Unscented Kalman Filter,UKF)是一种用于估计隐藏状态的强大算法。它是卡尔曼滤波的一种扩展,旨在处理非线性系统。传统的卡尔曼滤波在处理线性系统时非常有效,但对于非线性系统,其性能可能会受到限制。 无迹卡尔曼滤波通过一种称为“无迹变换”的方法来近似非线性系统的状态分布。它选择一组称为“sigma 点”的样本点,这些点经过非线性系统的传播后,可以用来估计系统的状态均值和协方差。与传统的线性化方法相比,无迹变换能够更准确地捕捉非线性系统的特性,从而提高状态估计的精度。 无迹卡尔曼滤波具有以下优点:首先,它能够处理高度非线性的系统,而无需对系统进行线性化近似。其次,它在计算效率上相对较高,适合实时应用。此外,它还可以处理非高斯噪声和不确定性,具有较强的鲁棒性。 总之,估计隐藏状态对于许多实际应用至关重要,而无迹卡尔曼滤波作为一种有效的状态估计方法,在非线性系统中具有广泛的应用前景。它为解决复杂动态系统的状态估计问题提供了一种强大的工具。
📚2 运行结果
主函数部分代码:
function FitzHughNagumo(~,~,~)
orient tall
% Dimensions: dq for param. vector, dx augmented state, dy observation
dq=1; dx=dq+2; dy=1;
ll=800; % number of data samples
dT=0.2; % sampling time step (global variable)
% Simulating data: %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
x0=zeros(2,ll); x0(:,1)=[0; 0]; % true trajectory
dt=.1*dT; nn=fix(dT/dt); % the integration time step is smaller than dT
% External input, estimated as parameter p later on:
z=(1:ll)/250*2*pi; z=-.4-1.01*abs(sin(z/2));
% 4th order Runge-Kutta integrator for FitzHugh-Nagumo system with external input:
for n=1:ll-1
xx=x0(:,n);
for i=1:nn
k1=dt*FitzHughNagumo_int(xx,z(n));
k2=dt*FitzHughNagumo_int(xx+k1/2,z(n));
k3=dt*FitzHughNagumo_int(xx+k2/2,z(n));
k4=dt*FitzHughNagumo_int(xx+k3,z(n));
xx=xx+k1/6+k2/3+k3/3+k4/6;
end
x0(:,n+1)=xx;
end
x=[z; x0]; % augmented state vector (notation a bit different to paper)
R=.2^2*var(FitzHughNagumo_obsfct(x))*eye(dy,dy); % observation noise covariance matrix
rng('default'); rng(0)
y=FitzHughNagumo_obsfct(x)+sqrtm(R)*randn(dy,ll); % noisy data
FitzHughNagumo_fct(dq,x,dT); % this is just to suppress an erroneous warning and otherwise has no function
% Initial conditions %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
xhat=zeros(dx,ll);
xhat(:,2)=x(:,2); % first guess of x_1 set to observation
Q=.015; % process noise covariance matrix
Pxx=zeros(dx,dx,ll);
Pxx(:,:,1)=blkdiag(Q,R,R);
errors=zeros(dx,ll);
Ks=zeros(dx,dy,ll); % Kalman gains
% Main loop for recursive estimation %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for k=2:ll
[xhat(:,k),Pxx(:,:,k),Ks(:,:,k)]=ut(xhat(:,k-1),Pxx(:,:,k-1),y(:,k),'FitzHughNagumo_fct','FitzHughNagumo_obsfct',dq,dx,dy,R,dT);
Pxx(1,1,k)=Q;
errors(:,k)=sqrt(diag(Pxx(:,:,k)));
end % k
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]左云龙,张晓锋,朱天高,等.基于滤波平滑的迭代无迹卡尔曼滤波算法[J/OL].海军工程大学学报:1-7[2024-09-02].http://kns.cnki.net/kcms/detail/42.1106.E.20240829.1319.002.html.
[2]邓浩楠,赵治国,赵坤,等.四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计[J].汽车工程,2024,46(08):1357-1369.DOI:10.19562/j.chinasae.qcgc.2024.08.003.