扩展卡尔曼滤波matlab代码

clear all

v=150; %%目标速度 v_sensor=0;%%传感器速度 t=1; %%扫描周期

xradarpositon=0; %%传感器坐标 yradarpositon=0; %%

ppred=zeros(4,4); Pzz=zeros(2,2); Pxx=zeros(4,2); xpred=zeros(4,1); ypred=zeros(2,1); sumx=0; sumy=0; sumxukf=0; sumyukf=0; sumxekf=0;

sumyekf=0; %%%统计的初值 L=4; alpha=1; kalpha=0; belta=2; ramda=3-L;

azimutherror=0.015; %%方位均方误差 rangeerror=100; %%距离均方误差 processnoise=1; %%过程噪声均方差

tao=[t^3/3 t^2/2 0 0; t^2/2 t 0 0; 0 0 t^3/3 t^2/2;

0 0 t^2/2 t]; %% the input matrix of process G=[t^2/2 0 t 0 0 t^2/2 0 t ];

a=35*pi/180; a_v=5/100;

a_sen

卡尔曼滤波matlab 代码

kalman滤波matlab代码

%kalman filter卡尔曼滤波 clear clc

A = [1,1;0,1]; B = [1/2,1]'; C = [1,0];

x1(1)= 100; %初始化 x2(1)= 10;

x = [x1(1),x2(1)]'; z=C*x;

P = [1,0;0,1]; Q=[2,0;0,1] R = 10; g=0.98; u=-g;

I=eye(2);

for k=2:20

xk=A*x+B*u; %KF xg1(k)=xk(1); xg2(k)=xk(2);

z(k)=C*xk+wgn(1,1,10);

P=A*P*A'+Q; %KF Kk=P*C'/(C*P*C'+R); %KF x=xk+Kk*(z(k)-C*xk); %KF x1(k)=x(1); x2(k)=x(2);

e1(k)=x1(k)-xg1(k); e2(

计算机算法设计与分析

收稿日期：2012-4-8 修改日期：2012-4-10

作者简介：刘康康 安徽蚌埠人 安徽中医学院本科生 医药信息工程学院 09医软一班 09713026 扩展卡尔曼滤波的模糊神经网络算法

刘康康

（安徽中医学院 医药信息工程学院 09医软一班 09713026 安徽 合肥230031）

摘 要:为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF 算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度和泛化能力。

关键词:模糊神经网络;扩展卡尔曼滤波;自组织学习

中图分类号：TP301.6

Fast self-organizing learning algorithm based on for fuzzy

neural network

LIU kang-kang

(Anhui University of Traditional Chinese Medicine, Medical Information Engineering, Hefei 230031, Chin

旋转变压器以其抗干扰能力强,工作可靠的特点在伺服领域获得了广泛应用。其输出的模拟信号需要经过轴角变换器(RDC)解调和转换后才可以使用。本文提出利用扩展卡尔曼滤波器的原理对AD采用后的旋转变压器正余弦信号进行抑制,以进一步提高转子位置的检测精度。

电力工程

扩展卡尔曼滤波器原理在数字R C D中的应用赵华丽。赵金良 (齐哈尔二机床 (团 )限责任公司 1 10 )齐集有 6 0 5 (海电气集团股份有限公司输配电分公司 )上忽略过程噪声的影响，只考虑旋转变压器的正余弦反馈信号中的测量噪声，可将旋转变压器的正余弦反馈信号描述如下：

旋转变压器以其抗干扰能力强，上作可靠的特点在

伺服领域获得了广泛应用。其输出的模拟信号需要经过轴角变换器 ( C) RD解调和转换后才可以使用。本文提出利用扩展卡尔曼滤波器的原理对AD采用后的旋转变压器正余弦信号进行抑制，以进一步提高转子位置的

检测精度。

1扩展卡尔曼滤波器的结构和原理扩展卡尔曼滤波器是卡尔曼滤波器在非线性系统

中的一种推广形式。这种滤波器的特点是利用最优估计原理对系统状态变量进行最小方差估计，由于在估计过程中消除模型误差和测量噪声对状态变量估计值的影响，因而具有很高的精度，并且这种算法采用递推形式，此非常适

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% 程序说明：Kalman滤波用于温度测量的实例 % 详细原理介绍及中文注释请参考：

% 《卡尔曼滤波原理及应用-MATLAB仿真》，电子工业出版社，黄小平著。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function main

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% N=120; CON=25;

Xexpect=CON*ones(1,N); X=zeros(1,N); Xkf=zeros(1,N); Z=zeros(1,N); P=zeros(1,N); X(1)=25.1; P(1)=0.01; Z(1)=24.9;

Xkf(1)=Z(1); Q=0.01; R=0.25;

W=sqrt(Q)*randn(1,N); V=sqrt(R)*randn(1,N); F=1;

卡尔曼滤波简介及其算法实现代码

卡尔曼滤波算法实现代码（C，C＋＋分别实现）

卡尔曼滤波器简介

近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。

因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。

卡尔曼滤波器 – Kalman Filter

1． 什么是卡尔曼滤波器 （What is the Kalman Filter?）

在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！

卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Li

含两个递进例题,有详细解释,以及matlab程序

设高度的测量误差是均值为0、方差为1的高斯白噪声随机序列，该物体的初始高度h0和速度V0也是高斯分布的随机变量，且

Eh0 1900m h0 1000

。试求该物体高度 ,P var 0

EV0 10m/s V0 02

和速度随时间变化的最优估计。（g 9.80m/s2） 解：

1. 令X(k)

h(k)

t=1 R（k）=1 Q(k)=0 v(k)

根据离散时间卡尔曼滤波公式，则有： X(k 1) (k 1,k)X(k) U(k) Y(k 1) H(k 1)X(k 1) V(k 1)

0.5gt2 1 t

k＝) (k 1, U(k)＝ ＝ 10 H(k 1) 1 gt

1900

滤波初值：X(0|0) EX(0)

10

^

P(0|0) var[X(0)] P0

100

2

一步预测：X(k 1|k) (k 1,k)X(k|k) U(k) P(k 1|k) (k 1,k)P(k|k) (k 1,k)

滤波增益：K(k 1) P(k 1|

4.MATLAB源代码： （1）UKF源代码：

function [x,P]=ukf(fstate,x,P,hmeas,z,Q,R)

% UKF Unscented Kalman Filter for nonlinear dynamic systems % [x, P] = ukf(f,x,P,h,z,Q,R) returns state estimate, x and state covariance, P

% for nonlinear dynamic system (for simplicity, noises are assumed as additive):

% x_k+1 = f(x_k) + w_k % z_k = h(x_k) + v_k

% where w ~ N(0,Q) meaning w is gaussian noise with covariance Q % v ~ N(0,R) meaning v is gaussian noise with covariance R % Inputs:

% f: function handle for f(x) % x: \

% P: \% h: fanction handle

目 录

第1章 绪 论 ............................................................................................................... 1

1.1课题研究的背景 .................................................................................................. 1 1.2雷达信号检测与目标跟踪 .................................................................................. 2 1.3雷达目标跟踪的基本方法 .................................................................................. 3

1.3.1雷达目标跟踪的基本信息 ......................................................................

含两个递进例题,有详细解释,以及matlab程序

设高度的测量误差是均值为0、方差为1的高斯白噪声随机序列，该物体的初始高度h0和速度V0也是高斯分布的随机变量，且

Eh0 1900m h0 1000

。试求该物体高度 ,P var 0

EV0 10m/s V0 02

和速度随时间变化的最优估计。（g 9.80m/s2） 解：

1. 令X(k)

h(k)

t=1 R（k）=1 Q(k)=0 v(k)

根据离散时间卡尔曼滤波公式，则有： X(k 1) (k 1,k)X(k) U(k) Y(k 1) H(k 1)X(k 1) V(k 1)

0.5gt2 1 t

k＝) (k 1, U(k)＝ ＝ 10 H(k 1) 1 gt

1900

滤波初值：X(0|0) EX(0)

10

^

P(0|0) var[X(0)] P0

100

2

一步预测：X(k 1|k) (k 1,k)X(k|k) U(k) P(k 1|k) (k 1,k)P(k|k) (k 1,k)

滤波增益：K(k 1) P(k 1|