matlab求解雅可比矩阵_图解卡尔曼滤波器，无需深厚的数学知识也易懂（第九部分：扩展卡尔曼滤波器【EKF】雅可比矩阵）...

The Jacobian雅可比矩阵

为了回答我们第8部分的第二个问题——如何将我们的单值非线性状态/观测模型推广到多值系统，这将有助于我们回忆线性模型传感器组件的方程：

对于一个有两个状态值与三个传感器的系统，我们可以重写系统观测模型：

或许你之前并没有见过这种表示方法，但其实这么表示方式还是非常直观的：C矩阵元素上的双数值索引表示每个元素的行和列位置，但更重要的是表示关系。例如，

是将第一传感器的当前值

与当前状态的第二分量

相关联的系数（乘法器）。

对于非线性模型，同样会有一个矩阵，其行数等于传感器数，列数等于状态数；但是，该矩阵将包含传感器值相对于该状态值的一阶导数的当前值。数学家将这种导数称为偏导数，并将这些导数的矩阵称为雅可比矩阵。

如果这些概念看起来令人困惑，那么想想一项调查，其中一组人被要求在一个量表上对两种不同的产品进行评分（比如，1到5）。每个产品的总分将是该产品所有用户评分的平均值。为了了解一个人如何影响单个产品的整体评级，我们将查看此人对该产品的评级。每一个这样的人/产品评级都像是一个偏导数，而这个人/产品评级表就像是雅可比矩阵。用传感器替换人，用状态替换问题，你就能理解扩展卡尔曼滤波器的传感器模型。

在这一点上剩下的就是将我们的非线性传感器/状态模型推广到状态转换模型。换句话说，我们的线性模型

变成：

其中A被状态变换函数f的雅可比替换。事实上，惯例是对这个雅可比矩阵使用

表示（因为这表示函数f随着时间变化）使用

表示传感器函数h的雅可比。将控制信号

合并到状态外推函数中，我们得到了文献中可能遇到的扩展卡尔曼滤波器的完整形式：