开通博客赚积分
发布资源赚积分
分类

源码开发语言/平台
当前位置：首页 > 源码/资料 > Windows编程 > 界面编程 > Static控件 > 查看源码
kalman_Matlab_c.m
资源名称：kalman_Matlab.rar　[点击查看]
上传用户：zlxdz66
上传日期：2007-10-24
资源大小：3k
文件大小：4k
源码类别：

Static控件

开发平台：

Matlab

kalman_Matlab_c.m：源码内容
  4. % %%%%%%%%%%%%%%%%%%%%%%%%%
  5. %
  6. % Kalman_matlab.m
  7. %
  8. % 卡尔曼滤波器算法的实现原理
  9. % 
  10. % 在这一部分，我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述，会涉及一些基本的概念知识，包括概率（Probability），随即变量（Random Variable），高斯或正态分配（Gaussian Distribution）还有State-space Model等等。但对于卡尔曼滤波器的详细证明，这里不能一一描述。
  11. % 首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear Stochastic Difference equation）来描述：
  12. % 
  13. % X(k)=A X(k-1)+B U(k)+W(k)
  14. % 
  15. % 再加上系统的测量值：
  16. % 
  17. % Z(k)=H X(k)+V(k)
  18. % 
  19. % 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。
  20. % 
  21. % 对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出（类似上一节那个温度的例子）。
  22. % 
  23. % 首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
  24. % 
  25. % X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1)
  26. % 
  27. % 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
  28. % 
  29. % 到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。我们用P表示covariance：
  30. % 
  31. % P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2)
  32. % 
  33. % 式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
  34. % 
  35. % 现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：
  36. % 
  37. % X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3)
  38. % 
  39. % 其中Kg为卡尔曼增益(Kalman Gain)：
  40. % 
  41. % Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4)
  42. % 
  43. % 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：
  44. % 
  45. % P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5)
  46. % 
  47. % 其中I 为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。卡尔曼滤波器的原理基本描述了，式子1，2，3，4和5就是他的5 个基本公式。根据这5个公式，可以很容易的实现计算机的程序。
  48. % 
  49. % 下面，我会用程序举一个实际运行的例子
  50. % 2.简单例子
  51. % 
  52. % 这里我们结合第二第三节，举一个非常简单的例子来说明卡尔曼滤波器的工作过程。所举的例子是进一步描述第二节的例子，而且还会配以程序模拟结果。
  53. % 
  54. % 根据第二节的描述，把房间看成一个系统，然后对这个系统建模。当然，我们见的模型不需要非常地精确。我们所知道的这个房间的温度是跟前一时刻的温度相同的，所以A=1。没有控制量，所以U(k)=0。因此得出：
  55. % 
  56. % X(k|k-1)=X(k-1|k-1) ……….. (6)
  57. % 
  58. % 式子（2）可以改成：
  59. % 
  60. % P(k|k-1)=P(k-1|k-1) +Q ……… (7)
  61. % 
  62. % 因为测量的值是温度计的，跟温度直接对应，所以H=0.2。式子3，4，5可以改成以下：
  63. % 
  64. % X(k|k)= X(k|k-1)+Kg(k) (Z(k)-X(k|k-1)) ……… (8)
  65. % Kg(k)= P(k|k-1) / (P(k|k-1) + R) ……… (9)
  66. % P(k|k)=（1-Kg(k)）P(k|k-1) ……… (10)
  67. % 
  68. % 现在我们模拟一组测量值作为输入。假设房间的真实温度为25度，我模拟了200个测量值，这些测量值的平均值为25度，但是加入了标准偏差为几度的高斯白噪声（在图中为蓝线）。
  69. % 
  70. % 为了令卡尔曼滤波器开始工作，我们需要告诉卡尔曼两个零时刻的初始值，是X(0|0)和P(0|0)。他们的值不用太在意，随便给一个就可以了，因为随着卡尔曼的工作，X会逐渐的收敛。但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X(0|0)是系统最优的，从而使算法不能收敛。我选了X(0|0)=1度，P(0|0)=10。
  71. % 
  72. % 该系统的真实温度为25度，图中用黑线表示。图中红线是卡尔曼滤波器输出的最优化结果（该结果在算法中设置了Q=1e-6，R=1e-1）
  73. %
  74. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
  77. clear
  78. N=200;
  79. w(1)=0;
  80. w=randn(1,N)
  81. x(1)=0;
  82. a=1;
  83. for k=2:N;
  84. x(k)=a*x(k-1)+w(k-1);
  85. end
  88. V=randn(1,N);
  89. q1=std(V);
  90. Rvv=q1.^2;
  91. q2=std(x);
  92. Rxx=q2.^2;
  93. q3=std(w);
  94. Rww=q3.^2;
  95. c=0.2;
  96. Y=c*x+V;
  98. p(1)=0;
  99. s(1)=0;
  100. for t=2:N;
  101. p1(t)=a.^2*p(t-1)+Rww;
  102. b(t)=c*p1(t)/(c.^2*p1(t)+Rvv);
  103. s(t)=a*s(t-1)+b(t)*(Y(t)-a*c*s(t-1));
  104. p(t)=p1(t)-c*b(t)*p1(t);
  105. end
  107. t=1:N;
  108. plot(t,s,'r',t,Y,'g',t,x,'b');