卡尔曼滤波算法matlab

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(

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

% 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;

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|

卡尔曼滤波算法及C语言实现

摘要：本文着重讨论了卡尔曼滤波器的原理，典型算法以及应用领域。清晰地阐述了kalman filter在信息估计方面的最优性能。着重介绍简单kalman filter algorithm的编程，使用kalman filter的经典5个体现最优化递归公式来编程。通过c语言编写程序实现kalman filter的最优估计能力。

关键词：kalman filter；最优估计；C语言

1 引言

Kalman Filter是一个高效的递归滤波器，它可以实现从一系列的噪声测量中，估计动态系统的状态。起源于Rudolf Emil Kalman在1960年的博士论文和发表的论文《A New Approach to Linear Eiltering and Prediction Problems》（《线性滤波与预测问题的新方法》）。并且最先在阿波罗登月计划轨迹预测上应用成功，此后kalman filter取得重大发展和完善。它的广泛应用已经超过30年，包括机器人导航，控制。传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等，近年来更被广泛应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。

2 kalman filte

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 Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载：

http://www.cs.unc.edu/~welch/kalman/media/pdf/Kalman1960.pdf

简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及