卡尔滤波算法 java_卡尔曼滤波算法及其代码

下面整篇文章都是转载的。

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

其c语言实现代码如下：

#include "stdlib.h"

#include "rinv.c"

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

int n,m,k;

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

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

double *e,*a,*b;

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

l=m;

if (l

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++)