强跟踪UKF算法，三维非线性状态量和观测量（MATLAB代码，订阅专栏后可直接复制到MATLAB空脚本运行，无需下载）

本文介绍普通UKF与强跟踪无迹卡尔曼滤波（Strong Tracking Unscented Kalman Filter, ST-UKF）算法的 MATLAB 代码示例。该示例涉及三维非线性状态量和观测量。

这段代码实现了强跟踪无迹卡尔曼滤波（Strong Tracking Unscented Kalman Filter, ST-UKF），主要用于非线性动态系统的状态估计。以下是代码的主要功能和步骤：

主要功能

1. 状态估计：通过处理带有噪声的观测数据，估计系统的真实状态。
2. 自适应调整：根据观测残差动态调整滤波器的参数，以提高估计的精度和稳定性。

主要步骤

1. 初始化：设置遗忘因子、协方差矩阵、初始状态和时间序列。
2. sigma点生成：根据当前状态和协方差生成 sigma 点，以便进行状态预测。
3. 状态预测：
   • 根据非线性状态模型对 sigma 点进行预测。
   • 计算预测状态的均值和协方差。
4. 观测预测：根据预测的状态计算观测值的预测均值和协方差。
5. 卡尔曼增益计算：通过预测的观测和实际观测之间的关系计算卡尔曼增益，用于更新状态估计。
6. 状态和协方差更新：
   • 根据观测残差更新状态估计。
   • 更新协方差矩阵，以反映新的不确定性。