基于c语言的AI算法,卡尔曼C语言算法.c

// 最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，

// 后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。

// 为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，

// 后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，

// 其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，

// 求出现时刻的估计值。它适合于实时处理和计算机运算。

//

//

//

//现设线性时变系统的离散状态防城和观测方程为：

//

//

//

//X(k) = F(k,k-1)·X(k-1)+T(k,k-1)·U(k-1)

//

//

//

//Y(k) = H(k)·X(k)+N(k)

//

//

//

//其中

//

//

//

//X(k)和Y(k)分别是k时刻的状态矢量和观测矢量

//

//

//

//F(k,k-1)为状态转移矩阵

//

//

//

//U(k)为k时刻动态噪声

//

//

//

//T(k,k-1)为系统控制矩阵

//

//

//

//H(k)为k时刻观测矩阵

//

//

//

//N(k)为k时刻观测噪声

//

//

//

//则卡尔曼滤波的算法流程为：

//

//

//

//

//

//预估计X(k)^= F(k,k-1)·X(k-1)

//

//计算预估计协方差矩阵

//C(k)^=F(k,k-1)×C(k)×F(k,k-1)'+T(k,k-1)×Q(k)×T(k,k-1)'

//Q(k) = U(k)×U(k)'

//

//计算卡尔曼增益矩阵

//K(k) = C(k)^×H(k)'×[H(k)×C(k)^×H(k)'+R(k)]^(-1)

//R(k) = N(k)×N(k)'

//

//更新估计

//X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^]

//

//计算更新后估计协防差矩阵

//C(k)~ = [I-K(k)×H(k)]×C(k)^×[I-K(k)×H(k)]'+K(k)×R(k)×K(k)'

//

//X(k+1) = X(k)~

//C(k+1) = C(k)~

//重复以上步骤

//**************************************************************

//C语言代码：

//************************************************************

#include "stdlib.h"

//#include "rinv.c"

//int n,m,k;

//double f[100],q[100],r[100],h[100],y[100],x[100],p[100],g[100];

int lman(int n,int m,int k,double *f,double *q,double *r,double *h,double *y,double *x,double *p,double *g);

int main()

{

return 0;

}

int lman(int n,int m,int k,double *f,double *q,double *r,double *h,double *y,double *x,double *p,double *g)

{

int i,j,kk,ii,l,jj,js;

double *e,*a,*b;

e=malloc(m*m*sizeof(double));

l=m;

if (l

l=n;

a=malloc(l*l*sizeof(double));

b=malloc(l*l*sizeof(double));

for (i=0; i<=n-1; i++)

for (j=0; j<=n-1; j++)

{

ii=i*l+j; a[ii]=0.0;

for (kk=0; kk<=n-1; kk++)

a[ii]=a[ii]+p[i*n+kk]*f[j*n+kk];

}

for (i=0; i<=n-1; i++)

for (j=0; j<=n-1; j++)

{

ii=i*n+j; p[ii]=q[ii];

for (kk=0; kk<=n-1; kk++)

p[ii]=p[ii]+f[i*n+kk]*a[kk*l+j];

}

for (ii=2; ii<=k; ii++)

{

for (i=0; i<=n-1; i++)

for (j=0; j<=m-1; j++)

{

jj=i*l+j; a[jj]=0.0;

for (kk=0; kk<=n-1; kk++)

a[jj]=a[jj]+p[i*n+kk]*h[j*n+kk];

}

for (i=0; i<=m-1; i++)

for (j=0; j<=m-1; j++)

{

jj=i*m+j; e[jj]=r[jj];

for (kk=0; kk<=n-1; kk++)

e[jj]=e[jj]+h[i*n+kk]*a[kk*l+j];

}

js=rinv(e,m);

if (js==0)

{

free(e);

free(a);

free(b);

return(js);

}

for (i=0; i<=n-1; i++)

for (j=0; j<=m-1; j++)

{

jj=i*m+j; g[jj]=0.0;

for (kk=0; kk<=m-1; kk++)

g[jj]=g[jj]+a[i*l+kk]*e[j*m+kk];

}

for (i=0; i<=n-1; i++)

{

jj=(ii-1)*n+i; x[jj]=0.0;

for (j=0; j<=n-1; j++)

x[jj]=x[jj]+f[i*n+j]*x[(ii-2)*n+j];

}

for (i=0; i<=m-1; i++)

{

jj=i*l; b[jj]=y[(ii-1)*m+i];

for (j=0; j<=n-1; j++)

b[jj]=b[jj]-h[i*n+j]*x[(ii-1)*n+j];

}

for (i=0; i<=n-1; i++)

{

jj=(ii-1)*n+i;

for (j=0; j<=m-1; j++)

x[jj]=x[jj]+g[i*m+j]*b[j*l];

}

if (ii

{

for (i=0; i<=n-1; i++)

for (j=0; j<=n-1; j++)

{

jj=i*l+j; a[jj]=0.0;

for (kk=0; kk<=m-1; kk++)

a[jj]=a[jj]-g[i*m+kk]*h[kk*n+j];

if (i==j) a[jj]=1.0+a[jj];

}

for (i=0; i<=n-1; i++)

for (j=0; j<=n-1; j++)

{

jj=i*l+j; b[jj]=0.0;

for (kk=0; kk<=n-1; kk++)

b[jj]=b[jj]+a[i*l+kk]*p[kk*n+j];

}

for (i=0; i<=n-1; i++)

for (j=0; j<=n-1; j++)

{

jj=i*l+j; a[jj]=0.0;

for (kk=0; kk<=n-1; kk++)

a[jj]=a[jj]+b[i*l+kk]*f[j*n+kk];

}

for (i=0; i<=n-1; i++)

for (j=0; j<=n-1; j++)

{

jj=i*n+j; p[jj]=q[jj];

for (kk=0; kk<=n-1; kk++)

p[jj]=p[jj]+f[i*n+kk]*a[j*l+kk];

}

}

}

free(e);

free(a);

free(b);

return(js);

}

一键复制

编辑

Web IDE

原始数据

按行查看

历史