• 大小: 2KB
    文件类型: .zip
    金币: 1
    下载: 0 次
    发布日期: 2021-05-12
  • 语言: 其他
  • 标签: EKF  

资源简介

扩展卡尔曼滤波算法,具有详细的函数说明,可以根据情况进行调用。

资源截图

代码片段和文件信息

function [xP]=ekf(fstatexPhmeaszQR)
% EKF   Extended Kalman Filter for nonlinear dynamic systems
% [x P] = ekf(fxPhzQR) returns state estimate x and state covariance P 
% for nonlinear dynamic system:
%           x_k+1 = f(x_k) + w_k
%           z_k   = h(x_k) + v_k
% where w ~ N(0Q) meaning w is gaussian noise with covariance Q
%       v ~ N(0R) meaning v is gaussian noise with covariance R
% Inputs:   f: function handle for f(x)
%           x: “a priori“ state estimate
%           P: “a priori“ estimated state covariance
%           h: fanction handle for h(x)
%           z: current measurement
%           Q: process noise covariance 
%           R: measurement noise covariance
% Output:   x: “a posteriori“ state estimate
%           P: “a posteriori“ state covariance
%
% Example:
%{
n=3;      %number of state
q=0.1;    %std of process 
r=0.1;    %std of measurement
Q=q^2*eye(n); % covariance of process
R=r^2;        % covariance of measurement  
f=@(x)[x(2);x(3);0.05*x(1)*(x(2)+x(3))];  % nonlinear state equations
h=@(x)x(1);                               % measurement equation
s=[0;0;1];                                % initial state
x=s+q*randn(31); %initial state          % initial state with noise
P = eye(n);                               % initial state covraiance
N=20;                                     % total dynamic steps
xV = zeros(nN);          %estmate        % allocate memory
sV = zeros(nN);          %actual
zV = zeros(1N);
for k=1:N
  z = h(s) + r*randn;                     % measurments
  sV(:k)= s;                             % save actual state
  zV(k)  = z;                             % save measurment
  [x P] = ekf(fxPhzQR);            % ekf 
  xV(:k) = x;                            % save estimate
  s = f(s) + q*randn(31);                % update process 
end
for k=1:3                                 % plot results
  subplot(31k)
  plot(1:N sV(k:) ‘-‘ 1:N xV(k:) ‘--‘)
end
%}
% By Yi Cao at Cranfield University 02/01/2008
%

[x1A]=jaccsd(fstatex);    %nonlinear update and linearization at current state
P=A*P*A‘+Q;                 %partial update
[z1H]=jaccsd(hmeasx1);    %nonlinear measurement and linearization
P12=P*H‘;                   %cross covariance
% K=P12*inv(H*P12+R);       %Kalman filter gain
% x=x1+K*(z-z1);            %state estimate
% P=P-K*P12‘;               %state covariance matrix
R=chol(H*P12+R);            %Cholesky factorization
U=P12/R;                    %K=U/R‘; Faster because of back substitution
x=x1+U*(R‘\(z-z1));         %Back substitution to get state update
P=P-U*U‘;                   %Covariance update U*U‘=P12/R/R‘*P12‘=K*P12.

function [zA]=jaccsd(funx)
% JACCSD Jacobian through complex step differentiation
% [z J] = jaccsd(fx)
% z = f(x)
% J = f‘(x)
%
z=fun(x);
n=numel(x);
m=numel(z);
A=zeros(mn);
h=n*eps;
for k=1:n
    x1=x;
    x1(k)=x1(k)+h*i;
    A(:k)=imag(fun

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3013  2009-05-20 08:16  ekf.m
     文件        1306  2014-02-12 12:33  license.txt

评论

共有 条评论