kalman滤波用什么软件做 kalman滤波应用

发布日期：2020-08-15

kalman滤波程序怎么修改成ekf

我现在也在研究kalman，这是最新发现的一个程序，我做的标注，有问题一块研究function [x, V, VV, loglik] = kalman_filter(y, A, C, Q, R, init_x, init_V, varargin)% Kalman filter.% [x, V, VV, loglik] = kalman_filter(y, A, C, Q, R, init_x, init_V, ...)%% INPUTS:% y(:,t) - the observation at time t 在时间t的观测% A - the system matrix A 系统矩阵 % C - the observation matrix C 观测矩阵% Q - the system covariance Q 系统协方差% R - the observation covariance R 观测协方差 % init_x - the initial state (column) vector init_x 初始状态（列）向量% init_V - the initial state covariance init_V 初始状态协方差%% OPTIONAL INPUTS (string/value pairs [default in brackets]) 选择性输入（字符串/值 对【默认在括号中】）% "model" - model(t)=m means use params from model m at time t [ones(1,T) ] 在时间t,m意味着利用 m模型参数 [ones(1,T) ]% % In this case, all the above matrices take an additional final% dimension， 在这种情况下，上述矩阵采用附加的维数% i.e., A(:,:,m), C(:,:,m), Q(:,:,m), R(:,:,m). 例如% However, init_x and init_V are independent of model(1). % init_x and init_V相对于模型1是独立的% "u" - u(:,t) the control signal at time t [ [] ]% 在时间t的控制信号% "B" - B(:,:,m) the input regression matrix for model m% 对于模型m的，输入回归矩阵% OUTPUTS (where X is the hidden state being estimated) 输出（其中X是被估计的隐藏状态）% x(:,t) = E[X(:,t) | y(:,1:t)]% V(:,:,t) = Cov[X(:,t) | y(:,1:t)]% VV(:,:,t) = Cov[X(:,t), X(:,t-1) | y(:,1:t)] t >= 2% loglik = sum{t=1}^T log P(y(:,t))%% If an input signal is specified, we also condition on it： 如果一个输入信号是特定的，我们的条件% e.g., x(:,t) = E[X(:,t) | y(:,1:t), u(:, 1:t)]% If a model sequence is specified, we also condition on it:% e.g., x(:,t) = E[X(:,t) | y(:,1:t), u(:, 1:t), m(1:t)][os T] = size(y);ss = size(A,1); % size of state space% set default paramsmodel = ones(1,T);u = [];B = [];ndx = [];args = varargin;nargs = length(args);for i=1:2:nargs switch args{i} case "model", model = args{i+1}; case "u", u = args{i+1}; case "B", B = args{i+1}; case "ndx", ndx = args{i+1}; otherwise, error(["unrecognized argument " args{i}]) endendx = zeros(ss, T);V = zeros(ss, ss, T);VV = zeros(ss, ss, T);loglik = 0;for t=1:T m = model(t); if t==1 %prevx = init_x(:,m); %prevV = init_V(:,:,m); prevx = init_x; prevV = init_V; initial = 1; else prevx = x(:,t-1); prevV = V(:,:,t-1); initial = 0; end if isempty(u) [x(:,t), V(:,:,t), LL, VV(:,:,t)] = ... kalman_update(A(:,:,m), C(:,:,m), Q(:,:,m), R(:,:,m), y(:,t), prevx, prevV, "initial", initial); else if isempty(ndx) [x(:,t), V(:,:,t), LL, VV(:,:,t)] = ... kalman_update(A(:,:,m), C(:,:,m), Q(:,:,m), R(:,:,m), y(:,t), prevx, prevV, ... "initial", initial, "u", u(:,t), "B", B(:,:,m)); else i = ndx{t}; % copy over all elements; only some will get updated x(:,t) = prevx; prevP = inv(prevV); prevPsmall = prevP(i,i); prevVsmall = inv(prevPsmall); [x(i,t), smallV, LL, VV(i,i,t)] = ... kalman_update(A(i,i,m), C(:,i,m), Q(i,i,m), R(:,:,m), y(:,t), prevx(i), prevVsmall, ... "initial", initial, "u", u(:,t), "B", B(i,:,m)); smallP = inv(smallV); prevP(i,i) = smallP; V(:,:,t) = inv(prevP); end end loglik = loglik + LL;end

卡尔曼滤波器是硬件还是软件,能用程序实现吗

卡尔曼滤波是属于现代滤波技术的手段。

要针对不同的问题采用不同的滤波器。

譬如，则不是建立在频率领域，而是通过随机过程的数学手段，通过对噪声和信号的统计特性做一定的假定，然后通过合适的数学方式，来提供信噪比，它不同于经典滤波，没有带通。

在weiner滤波器中还必须假定信号是平稳的，低通，高通之分。

经典滤波器是建立在信号和噪声频率分离的基础上，通过将噪声所在频率区域幅值衰减来达到提高信噪比，于是针对不同的频率段就产生了低通你好。

譬如KALMAN滤波器中，总会假定状态噪声和测量噪声是不相关的，高通，带通等滤波器之分而现代滤波器，要滤除工频50HZ的影响，哪显然不宜采用KALMAN滤波器。

等等。

总之各有所用

自适应kalman滤波问题

要提自适应滤波器，首先就得知道什么是最优滤波器.最优滤波器就是某种准则（通常是最小均方误差）下，性能最优的滤波器.而实际中，由于系统环境是时变的，以及直接计算最优滤波器往往计算量较大，实时处理可能存在困难，所以可以让滤波器从某个初始状态出发，按照设定的规则，依据观测到的系统输入和输出，调整滤波器，使其不断逼近当前的最优滤波器.这个逼近的过程就是收敛的过程.自适应滤波器的瞬态性能分析很复杂，特别是对于系统也可能时变的情况.现在理论也往往只是定性分析.如何实现“好”的自适应滤波器，往往取决于目标应用的特点.也就是说，没有最好的，只有最合适的.你引用的这段文字，一看就是些APA算法的文章.LMS和RLS是计算复杂度和收敛速度的两极，APA介于两者之间，此话不假.但是凭此说哪个好实在是没有意义的事情.要具体应用问题，具体分析.SIZE 表示硬盘容量；CYLS 硬盘柱面数；HEAD硬盘磁数；PRECOMP写预补偿值；LANDZ着陆区即磁起停扇区MODE硬件工作模式我选择工作模式

如何用基于opencv的kalman滤波实现视频中的目标追踪？

步骤一 ：Kalman这个类需要初始化下面变量： 转移矩阵，测量矩阵，控制向量（没有的话，就是0），过程噪声协方差矩阵，测量噪声协方差矩阵，后验错误协方差矩阵，前一状态校正后的值，当前观察值。

步骤二：调用kalman这个类的predict方法得到状态的预测值矩阵，预测状态的计算公式如下：predicted state (x"(k)): x"(k)=A*x(k-1)+B*u(k)其中x(k-1)为前一状态的校正值，第一个循环中在初始化过程中已经给定了，后面的循环中Kalman这个类内部会计算。

A,B,u(k)，也都是给定了的值。

这样进过计算就得到了系统状态的预测值x"(k)了。

步骤三：调用kalman这个类的correct方法得到加入观察值校正后的状态变量值矩阵，其公式为：corrected state (x(k)): x(k)=x"(k)+K(k)*(z(k)-H*x"(k))其中x"(k)为步骤二算出的结果，z(k)为当前测量值，是我们外部测量后输入的向量。

H为Kalman类初始化给定的测量矩阵。

K(k)为Kalman增益，其计算公式为：Kalman gain matrix (K(k)): K(k)=P"(k)*Ht*inv(H*P"(k)*Ht+R)计算该增益所依赖的变量要么初始化中给定，要么在kalman理论中通过其它公式可以计算。

经过步骤三后，我们又重新获得了这一时刻的校正值，后面就不断循环步骤二和步骤三即可完成Kalman滤波过程。