参数估计技术
文章平均质量分 72
参数估计理论的一系列方法
赛亚茂
孤独落叶
展开
-
递推极大似然算法实现
基本原理来自极大似然算法,准则函数和牛顿拉夫逊算法,并给出了极大似然的递推算法在该递推算法中,观测数据是逐步补充到观测数据集合中去的,其算法可根据新观测的数据信息不断修正待估计参数。提高参数估计准确度。极大似然递推算法动力学系统的非线性运动一般可以由以下连续-离散非线性方程组描述:x˙(t)=f(x(t),u(t),θ,t)+Γ(θ,t)ω(t)y(ti)=h(x(ti),u(ti),θ,ti)+v(ti)\dot{x}(t)=\mathbf{f}(x(t),u(t),\theta,t)+\Ga.原创 2021-12-29 16:06:39 · 1815 阅读 · 3 评论 -
卫星轨道的估计问题(Matlab)(三):标准重采样粒子滤波(SIR)对新问题的尝试
SIR滤波器关于粒子滤波的基本知识可以参加下面的博客:粒子滤波,讲的很通俗易懂基本粒子滤波算法过程:SIR算法伪代码:Matlab代码实现求解如下所示的滤波问题:%PF的应用clc,clear;close all;N = 300;%总的迭代数numbers = 1000;%粒子数x = 1;Dv = 10; Dn = 1;x_real = zeros(1,N);x_real(1) = 1;y_real = zeros(1,N);y_real(1) = 1/20;x_t原创 2021-08-27 14:06:30 · 577 阅读 · 0 评论 -
卫星轨道的估计问题(Matlab)(二):扩展卡尔曼滤波(EKF)对新问题的尝试
前言在前面的问题中我们已经考虑到了用微分方程来描述卫星运动轨迹的方法:r¨=rθ˙2−GMr−2θ¨=−2r−1r˙θ˙ \ddot r = r\dot \theta^2-GMr^{-2}\\\ddot{\theta}=-2r^{-1}\dot r\dot \thetar¨=rθ˙2−GMr−2θ¨=−2r−1r˙θ˙当其运动的参数为:x=[r,r˙,θ,θ˙]Tx=[r,\dot r,\theta,\dot{\theta}]^Tx=[r,r˙,θ,θ˙]T时,其基本的运动的状态方程为:x˙=[x(2原创 2021-08-24 23:55:20 · 1378 阅读 · 0 评论 -
卫星轨道的估计问题(Matlab)(一):理论基础
问题: 在平面轨道中绕地球(质量为mmm)运动的一个卫星,设rrr为该卫星到地球的距离,θ\thetaθ为该卫星与地球连线同坐标轴xxx成的夹角。该卫星坐标m(x,y)m(x,y)m(x,y)。求该卫星的轨迹并仿真之。求解方案:在极坐标下卫星坐标为m(rcosθ,rsinθ)m(rcos\theta,rsin\theta)m(rcosθ,rsinθ)。表示为X:X:X:X⃗=[rcosθrsinθ]\vec X = \begin{bmatrix} rcos\theta \\ rsin\thet原创 2021-08-22 19:47:05 · 2760 阅读 · 0 评论 -
EKF在三维寻的制导系统中的应用
问题介绍基本问题及算法求解代码结果位置曲线:位置误差曲线速度误差曲线加速度误差曲线问题介绍由于在对导弹的实际姿态和位置的观察中推测导弹的当前状态,常常需要借助扩展卡尔曼滤波器(EKF) 进行滤波处理。EKF的基本算法推导基本问题及算法下面以一个具体的例子来说明EKF的在制导过程中的使用:求解代码clc,cleardelta_t = 0.01;%T:采样周期lambda = 10000;tf = 3.7;%总时间T =tf/delta_t;%共采样次数%以下是状态转移矩阵.原创 2021-08-20 14:46:30 · 2099 阅读 · 0 评论 -
拓展卡尔曼滤波器(EKF)的数学推导
基本原理1.局部线性化过程2.线性kalman滤波同一般的卡尔曼滤波器(KF)不同的是,扩展卡尔曼滤波器(EKF)是为了解决在非线性系统中,状态噪声和测量噪声均为高斯分布时,进行最优的状态估计的问题。基本思想:将非线性系统滤波问题近似化为线性系统的滤波问题。具体做法是将非线性的状态方程f(∗)f(*)f(∗)和测量方程h(∗)h(*)h(∗)在状态值Xk^\hat{X_k}Xk^处进行泰勒展开,并且忽略掉二阶及以上项。转化为线性系统滤波,最后用Kalman滤波进行状态估计。用途:导弹,卫星,飞机原创 2021-08-18 19:45:08 · 1674 阅读 · 0 评论 -
kalman滤波器在GPS导航定位中的应用
1.基本原理将GPS接收机安装在船舶上可以进行导航定位的计算,民用领域的GPS导航卫星播发的信号加入了高频振荡的随机干扰信号,是GPS定位的观测噪声。在这里,我们假设观测噪声强度可用系统辨识方法求得。一维模型为了使得模型简单化,假定船舶出港后沿某直线航行,以码头的出发点为坐标原点。若采样时间为T0T_0T0,用s(k)s(k)s(k)表示在kT0kT_0kT0时刻的真实位置,用y(k)y(k)y(k)表示在kT0kT_0kT0时刻GPS的定位的观测值:y(k)=s(k)+v(k)y(原创 2021-03-31 16:40:31 · 7139 阅读 · 2 评论 -
经典卡尔曼滤波器直接调用代码(Matlab)
clc,clear;%以下开始进行交互式输入等操作paraZkstr = inputdlg('请输入观测变量矩阵(每一列是一次观测向量):','状态参数',1,{'[0 0.1 0.5 0.8;0 0.42 0.37 0.4]'});Z_k = str2num(paraZkstr{1}); [rowZk,colZk] = size(Z_k);estimateX = zeros(rowZk,colZk);estimateX_ = zeros(rowZk,colZk);estimateP_ =原创 2021-03-27 23:22:50 · 991 阅读 · 0 评论 -
贝叶斯方法学习笔记(二)
贝叶斯方法学习笔记(二)原文来自于知乎《你一定从未看过如此通俗易懂的马尔科夫链蒙特卡洛方法解读》。在这里只是将文章主要的核心知识点进行提炼汇总。链接:你一定从未看过如此通俗易懂的马尔科夫链蒙特卡洛方法解读MC的基本知识贝叶斯方法学习笔记(二)一.马尔可夫链及其应用1.马尔可夫链定义2.状态转移矩阵和状态分布3.平稳分布及其存在条件4.马尔可夫链的性质5.可逆马尔可夫链一.马尔可夫链及其应用 在蒙特卡洛方法中需要大量采样,构成合适的概率模型,而且需要对采样的随机变量要求其服从某些特定的概率原创 2020-09-26 09:29:32 · 339 阅读 · 0 评论 -
贝叶斯方法学习笔记(一)
贝叶斯方法学习笔记(一)一.基本概念二.实例(史蒂文的身份):三.基本的概率分布及其性质四.实例(用短信数据推断行为):数据集来源一.基本概念先验概率:我们把对一个时间A发生的信念记作P(A)P(A)P(A)贝叶斯派思考事物的方式:随着证据的出现更新信念,而用P(A∣X)P(A|X)P(A∣X)表示更新之后的信念。也即为得到证据XXX后,AAA事件的概率,称为后验概率。如果NNN是我们拥有证据的数量。如果N→∞N\rightarrow\inftyN→∞,那么贝叶斯的结果通常和频率派的结果一致。原创 2020-09-24 22:10:02 · 643 阅读 · 0 评论