看网红直播做爰的网站,网站开发选定制还是模板,网站哪家好,网页设计与开发第四版答案#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️ 博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。 ⛳️座右铭行百里者半于九十。 本文目录如下 目录 1 概述 2 运行结果 2.1 算例1 2.2 算例2 2.3 算例3 3 参考文献 4 Matlab代码及数据 1 概述 EKF 是卡尔曼滤波器在非线性系统中的应用的推广延伸其离散非线性系统的状态和测量方程表示为 EKF 原理如图 1 所示。 EKF 主要包含时间更新预测与测量更新校正两个阶段。 时间更新包含以下部分 卡尔曼滤波器法原理由射影定理推导而来能在线性高斯模型的情况下对目标状态做出最优估计但实际系统多为非线性系统[83]。为解决非线性系统滤波问题常用处理方法是将其看作一个近似的线性滤波问题。目前应用较多的是 EKF其核心思想是在滤波值处将非线性函数和进行一阶泰勒级数展开并忽略其高阶项得到局部线性化模型然后再应用 KF 进行滤波估计。
2 运行结果 2.1 算例1 2.2 算例2 2.3 算例3 部分代码
N 20; % number of time steps dt 1; % time between time steps M 100; % number of Monte-Carlo runs
sig_acc_true [0.3; 0.3; 0.3]; % true value of standard deviation of accelerometer noise sig_gps_true [3; 3; 3; 0.03; 0.03; 0.03]; % true value of standard deviation of GPS noise
sig_acc [0.3; 0.3; 0.3]; % user input of standard deviation of accelerometer noise sig_gps [3; 3; 3; 0.03; 0.03; 0.03]; % user input of standard deviation of GPS noise
Q [diag(0.25*dt^4*sig_acc.^2), zeros(3); zeros(3), diag(dt^2*sig_acc.^2)]; % process noise covariance matrix R [diag(sig_gps(1:3).^2), zeros(3); zeros(3), diag(sig_gps(4:6).^2)]; % measurement noise covariance matrix
F [eye(3), eye(3)*dt; zeros(3), eye(3)]; % state transition matrix B [0.5*eye(3)*dt^2; eye(3)*dt]; % control-input matrix H eye(6); % measurement matrix %% true trajectory
x_true zeros(6,N1); % true state a_true zeros(3,N); % true acceleration
x_true(:,1) [0; 0; 0; 5; 5; 0]; % initial true state for k 2:1:N1 x_true(:,k) F*x_true(:,k-1) B*a_true(:,k-1); end
%% Kalman filter simulation
res_x_est zeros(6,N1,M); % Monte-Carlo estimates res_x_err zeros(6,N1,M); % Monte-Carlo estimate errors P_diag zeros(6,N1); % diagonal term of error covariance matrix
% filtering for m 1:1:M % initial guess x_est(:,1) [2; -2; 0; 5; 5.1; 0.1]; P [eye(3)*4^2, zeros(3); zeros(3), eye(3)*0.4^2]; P_diag(:,1) diag(P); for k 2:1:N1 %%% Prediction % obtain acceleration output u a_true(:,k-1) normrnd(0, sig_acc_true); % predicted state estimate x_est(:,k) F*x_est(:,k-1) B*u; % predicted error covariance P F*P*F Q; %%% Update % obtain measurement z x_true(:,k) normrnd(0, sig_gps_true); % measurement residual
3 参考文献 部分理论来源于网络如有侵权请联系删除。 [1]彭剑,刘东文.改进扩展卡尔曼滤波器的PMSM参数辨识[J].现代信息科技,2023,7(10):66-69.DOI:10.19850/j.cnki.2096-4706.2023.10.017.
[2]廖楷娴. 改进扩展卡尔曼滤波器的永磁同步风力发电机参数辨识[D].湖南工业大学,2022.DOI:10.27730/d.cnki.ghngy.2022.000263.
4 Matlab代码及数据
