主要内容

extendedKalmanFilter

创建扩展卡尔曼滤波对象为在线状态估计

所有的页面崩溃

语法

obj = extendedKalmanFilter (StateTransitionFcn MeasurementFcn InitialState)
obj = extendedKalmanFilter (StateTransitionFcn MeasurementFcn InitialState,名称,值)
obj = extendedKalmanFilter (StateTransitionFcn MeasurementFcn)
obj = extendedKalmanFilter (StateTransitionFcn MeasurementFcn、名称、值)
obj = extendedKalmanFilter(名称、值)

描述

例子

obj= extendedKalmanFilter (StateTransitionFcn,MeasurementFcn,InitialState)创建一个扩展卡尔曼滤波对象在线离散时间非线性系统的状态估计。StateTransitionFcn是一个函数,计算系统的状态在时间吗k鉴于时间的状态向量k1。MeasurementFcn是一个函数,计算系统的输出测量在时间吗k,考虑到状态k。InitialState指定初始值的估计。

在创建对象时,使用正确的和预测命令来更新状态估计和状态估计误差协方差值使用一阶离散时间扩展卡尔曼滤波算法和实时数据。

例子

obj= extendedKalmanFilter (StateTransitionFcn,MeasurementFcn,InitialState,名称,值)指定附加的属性对象使用一个或多个扩展卡尔曼滤波器名称,值对参数。

obj= extendedKalmanFilter (StateTransitionFcn,MeasurementFcn)创建一个扩展卡尔曼滤波对象使用指定的状态转换和测量功能。在使用之前预测和正确的命令,指定使用点符号的初始状态值。例如,对于两个系统初始状态值(1,0),指定obj.State=(1,0)。

obj= extendedKalmanFilter (StateTransitionFcn,MeasurementFcn,名称,值)指定附加的属性对象使用一个或多个扩展卡尔曼滤波器名称,值对参数。在使用之前预测和正确的使用命令,指定初始状态值名称,值对参数或点符号。

例子

obj= extendedKalmanFilter (名称,值)创建一个扩展卡尔曼滤波器指定使用一个或多个对象的属性名称,值对参数。在使用之前预测和正确的测量命令,指定状态转换函数,函数,并利用初始状态值名称,值对参数或点符号。

对象描述

extendedKalmanFilter创建一个对象为在线状态估计的离散时间非线性系统使用一阶离散时间扩展卡尔曼滤波算法。

考虑植物与状态x、输入u、输出y、过程噪声w和测量噪声v。假设您能代表植物作为非线性系统。

该算法计算状态估计 x ^ 使用状态转换的非线性系统和测量由你指定的函数。该软件允许您指定这些函数作为添加剂或非相加的噪声:

  • 加性噪声条件状态转换和测量方程有以下形式:

    x ( k ] = f ( x ( k − 1 ] , u 年代 ( k − 1 ] ) + w ( k − 1 ] y ( k ] = h ( x ( k ] , u 米 ( k ] ) + v ( k ]

    在这里f是一个非线性状态转换函数,描述了进化的状态x从一个时间步。非线性测量功能h有关x的测量y在时间步k。w和v是零均值,分别不相关的过程和测量噪声。这些功能也可以用额外的输入参数u年代和u米在方程。例如,附加参数可能是时间步k或输入u非线性系统。可以有多个这样的参数。

    注意,两个方程的噪声条件是附加的。也就是说,x (k)线性相关过程噪音吗w (k - 1),y (k)线性相关测量噪声v (k)。

  • 非相加噪音方面——软件还支持更复杂的状态转换和测量功能金宝app的状态x(k)和测量y(k)是非线性函数的过程噪声和测量噪声,分别。噪音术语非相加时,状态转换和测量方程有以下形式:

    x ( k ] = f ( x ( k − 1 ] , w ( k − 1 ] , u 年代 ( k − 1 ] ) y ( k ] = h ( x ( k ] , v ( k ] , u 米 ( k ] )

当您执行在线状态估计,首先创建一个非线性状态转换函数f和测量功能h。然后构造extendedKalmanFilter对象使用这些非线性函数,并指定是否噪音添加剂或非相加。您还可以指定状态转换的雅克比和测量功能。如果你不指定,雅克比数值计算的软件。

创建对象后,您使用预测命令来预测状态估计在下一个时间步,和正确的正确的状态估计算法和实时数据。关于算法的信息,请参阅扩展和无味卡尔曼滤波算法在线状态估计。

您可以使用以下命令extendedKalmanFilter对象:

命令 描述
正确的

正确的状态和状态估计误差协方差在时间步k利用测量数据在时间步k。
预测

预测状态和状态估计误差协方差在时间下一个时间步。
剩余 返回实际的测量和预测之间的区别。
克隆

创建另一个对象使用相同的对象属性值。

不使用语法创建额外的对象methoda = obj。任何更改,以这种方式创建新对象的属性(methoda)也改变原始对象的属性(obj)。

为extendedKalmanFilter对象属性,看属性。

例子

全部折叠

打开生活的脚本

定义一个扩展卡尔曼滤波器估计系统的状态的对象,你第一次编写和保存系统状态转换功能和测量功能。

以前写在这个例子中,使用和保存的状态转换和测量功能,vdpStateFcn.m和vdpMeasurementFcn.m。这些函数描述离散近似的范德堡尔振荡器非线性参数μ,等于1。振荡器有两个州。

指定一个初始猜测两个国家。您指定的猜的米有效行或列向量,米的状态数。

initialStateGuess = (1, 0);

创建扩展的卡尔曼滤波对象。使用函数处理提供对象的状态转换和测量功能。

obj = extendedKalmanFilter (@vdpStateFcn @vdpMeasurementFcn initialStateGuess);

过程的对象有一个默认的结构和测量噪声是附加的。

估计的状态和状态估计误差协方差构造对象,使用正确的和预测命令和实时数据。

打开生活的脚本

创建一个扩展卡尔曼滤波对象的范德堡尔振荡器有两个州和一个输出。以前写使用和保存的状态转换和测量功能,vdpStateFcn.m和vdpMeasurementFcn.m。这些函数是写给添加剂过程和测量噪声。初始状态两种状态的值指定为2,0。

因为系统有两个州和过程噪声是添加剂,过程噪音是2-element向量和过程噪声协方差是一个2×2的矩阵。假设之间没有互相关过程噪声方面,0.01和条款都有相同的方差。您可以指定过程噪声协方差作为标量。软件使用标量值创建一个2×2对角矩阵对角线为0.01。

指定在对象构造过程噪声协方差。

obj = extendedKalmanFilter (@vdpStateFcn @vdpMeasurementFcn, (2, 0),…“ProcessNoise”,0.01);

此外,您可以指定对象建设使用点符号后噪声协方差。例如,指定测量噪声协方差为0.2。

obj。米easurementNoise = 0.2;

由于系统只有一个输出,测量噪声是1-element矢量和MeasurementNoise属性表示测量噪声的方差。

打开生活的脚本

创建一个扩展卡尔曼滤波对象的范德堡尔振荡器有两个州和一个输出。以前写使用和保存的状态转换和测量功能,vdpStateFcn.m和vdpMeasurementFcn.m。初始状态两种状态的值指定为2,0。

obj = extendedKalmanFilter (@vdpStateFcn、@vdpMeasurementFcn [2; 0]);

扩展卡尔曼滤波算法利用雅克比的状态估计的状态转换和测量功能。你编写和保存雅可比矩阵函数和提供函数处理的对象。以前写在这个例子中,使用和保存的功能vdpStateJacobianFcn.m和vdpMeasurementJacobianFcn.m。

obj.StateTransitionJacobianFcn = @vdpStateJacobianFcn; obj.MeasurementJacobianFcn = @vdpMeasurementJacobianFcn;

注意,如果没有指定的雅克比功能,软件数值计算雅克比。这个数值计算可能会导致增加处理时间和状态估计的数值不准确。

打开生活的脚本

创建一个扩展卡尔曼滤波对象的范德堡尔振荡器有两个州和一个输出。假设过程噪声项状态转换函数是附加的。也就是说,有一个状态和过程噪声之间的线性关系。还假设测量噪声项非相加。也就是说,有一个非线性测量和测量噪声之间的关系。

obj = extendedKalmanFilter (“HasAdditiveMeasurementNoise”、假);

指定状态转换函数和测量功能。以前写使用和保存的功能,vdpStateFcn.m和vdpMeasurementNonAdditiveNoiseFcn.m。

状态转换函数写假设过程噪音是添加剂。测量函数写假设测量噪声非相加。

obj.StateTransitionFcn = @vdpStateFcn; obj.MeasurementFcn = @vdpMeasurementNonAdditiveNoiseFcn;

初始状态两种状态的值指定为2,0。

obj.State=(2;0];

您现在可以使用正确的和预测命令来估计状态和状态估计误差协方差值构造对象。

打开生活的脚本

考虑输入的非线性系统u的状态x和测量y进化根据以下状态转换和测量方程:

x ( k ] = x ( k - - - - - - 1 ] + u ( k - - - - - - 1 ] + w ( k - - - - - - 1 ]

y ( k ] = x ( k ] + 2 * u ( k ] + v ( k ] 2

过程噪声w系统的添加剂而测量噪声v非相加。

创建的状态转换函数和测量系统。指定函数与一个额外的输入u。

f = @ (x, u) (sqrt (x + u));h = @ (x, v, u) (x + 2 * u + v ^ 2);

f和h是匿名函数,函数处理存储状态转换和测量功能,分别。在测量函数中,由于测量噪声非相加,v也是指定作为输入。请注意,v被指定为前一个输入额外的输入u。

创建一个扩展卡尔曼滤波器估计非线性状态的对象系统使用指定的功能。指定国家的初始值为1,测量噪声为非相加。

obj = extendedKalmanFilter (f、h 1“HasAdditiveMeasurementNoise”、假);

指定的测量噪声协方差。

obj。米easurementNoise = 0.01;

你现在可以估计系统的状态使用预测和正确的命令。你通过的值u来预测和正确的,进而将它们传递到状态转换和测量功能,分别。

正确的状态估计与测量y(k]=0.8和输入u(k]=0.2在时间步k。

正确的(obj, 0.8, 0.2)

预测下一个时间步的状态u(k]=0.2。

预测(obj, 0.2)

检索错误,或剩余,在预测和测量。

[残余,ResidualCovariance] =剩余(obj, 0.8, 0.2);

输入参数

全部折叠

状态转移函数f,指定为一个函数处理。函数计算Ns在时间步元系统的状态向量k,鉴于时间步的状态向量k1。Ns是非线性系统的状态数。

你写并保存状态转换函数为非线性系统,并使用它来构建对象。例如,如果vdpStateFcn.m状态转换函数,指定吗StateTransitionFcn作为@vdpStateFcn。您还可以指定StateTransitionFcn作为一个匿名函数的句柄函数。

函数的输入你写取决于您指定的过程噪声作为添加剂或非相加HasAdditiveProcessNoise对象的属性:

  • HasAdditiveProcessNoise是正确的——这个过程噪声w添加剂,状态转换函数指定美国如何演变作为时间函数的值在前面的步骤:

    x (k) = f (x (k - 1), Us1,…, Usn)

    在哪里x (k)在时间是估计的状态吗k,Us1,…, Usn是你的状态转换函数所需的任何额外的输入参数,如系统输入或样品时间。在评估期间,您通过这些附加参数预测命令,进而通过状态转换函数。

  • HasAdditiveProcessNoise是假的,这个过程噪声非相加,状态转换函数还指定了美国如何演变过程噪声的函数:

    x (k) = f (x (k - 1), w (k - 1), Us1,…, Usn)

看到一个状态转换函数的一个例子与添加剂过程噪声、类型编辑vdpStateFcn在命令行中。

测量功能h,指定为一个函数处理。函数计算N有效输出测量向量的非线性系统在时间步k,鉴于时间步的状态向量k。N是数量的测量系统。你写并保存测量功能,并使用它来构建对象。例如,如果vdpMeasurementFcn.m是测量函数,指定吗MeasurementFcn作为@vdpMeasurementFcn。您还可以指定MeasurementFcn作为一个匿名函数的句柄函数。

您所指定的输入函数取决于测量噪声作为添加剂或非相加HasAdditiveMeasurementNoise对象的属性:

  • HasAdditiveMeasurementNoise是真的——测量噪声v添加剂,测量函数指定测量如何演变状态值的函数:

    y (k) = h (x (k),听Um1,…,学院)

    在哪里y (k)和x (k)这是估计的输出和估计状态时间吗k,听Um1,…,学院是你需要的任何可选的输入参数测量功能。例如,如果您正在使用多个传感器跟踪一个物体,一个额外的输入可能是传感器的位置。在评估期间,您通过这些附加参数正确的命令,进而通过测量功能。

  • HasAdditiveMeasurementNoise是假的——测量噪声非相加,和测量功能还指定了如何输出测量的发展作为测量噪声的函数:

    y (k) = h (x (k), v (k),听Um1,…,学院)

看到的一个例子与添加剂过程噪声测量函数,类型编辑vdpMeasurementFcn在命令行中。看到的一个例子与非相加过程噪声测量函数,类型编辑vdpMeasurementNonAdditiveNoiseFcn。

初始状态估计的价值,作为一个指定Ns元向量,Ns在系统的状态数。指定初始状态值根据您的系统的知识。

存储在指定的值状态对象的属性。如果您指定InitialState作为一个列向量,然后状态也是一个列向量,预测和正确的命令的返回状态估计作为一个列向量。否则,返回一个行向量。

如果你想要一个过滤器与单精度浮点变量,指定InitialState作为一个单精度向量变量。例如,对于两个系统状态转换和测量功能vdpStateFcn.m和vdpMeasurementFcn.m,创建初始状态估计的扩展卡尔曼滤波对象[1,2]如下:

obj = extendedKalmanFilter (@vdpStateFcn @vdpMeasurementFcn、单([1,2]))

数据类型:双|单

名称-值参数

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

使用名称,值参数指定属性的extendedKalmanFilter在对象创建对象。例如,要创建一个扩展卡尔曼滤波对象并指定过程噪声协方差为0.01:

obj = extendedKalmanFilter (StateTransitionFcn MeasurementFcn InitialState,“ProcessNoise”,0.01);

属性

全部折叠

extendedKalmanFilter对象属性的三种类型:

  • 可调属性,你可以指定多次,要么在对象建设使用名称,值在状态估计参数,或任何时间之后。对象创建后,使用点符号修改可调特性。

    obj = extendedKalmanFilter (StateTransitionFcn MeasurementFcn InitialState);obj。ProcessNoise = 0.01;

    可调的属性是状态,StateCovariance,ProcessNoise,MeasurementNoise。

  • Nontunable属性,你可以指定一次,对象构造期间或之后使用点的概念。状态估计使用之前指定这些属性正确的和预测。的StateTransitionFcn,MeasurementFcn,StateTransitionJacobianFcn,MeasurementJacobianFcn属性属于这一类。

  • 在对象构造Nontunable属性,您必须指定。的HasAdditiveProcessNoise和HasAdditiveMeasurementNoise属性属于这一类。

测量噪声的特点,指定为以下值之一:

  • 真正的——测量噪声v是添加剂。测量功能h在指定的MeasurementFcn有以下形式:

    y (k) = h (x (k),听Um1,…,学院)

    在哪里y (k)和x (k)这是估计的输出和估计状态时间吗k,听Um1,…,学院是你需要的任何可选的输入参数测量功能。

  • 假——测量噪声非相加。测量函数指定了如何输出测量的发展状态的函数和测量噪声:

    y (k) = h (x (k), v (k),听Um1,…,学院)

HasAdditiveMeasurementNoise是nontunable属性,你可以指定只在对象构造。你不能改变它使用点符号。

过程噪声特点,指定为以下值之一:

  • 真正的——过程噪声w是添加剂。状态转移函数f中指定的StateTransitionFcn有以下形式:

    x (k) = f (x (k - 1), Us1,…, Usn)

    在哪里x (k)在时间是估计的状态吗k,Us1,…, Usn是你的状态转换函数所需的任何额外的输入参数。

  • 假——过程噪声非相加。状态转换函数指定美国如何演变的功能状态和过程噪声在前面的时间步骤:

    x (k) = f (x (k - 1), w (k - 1), Us1,…, Usn)

HasAdditiveProcessNoise是nontunable属性,你可以指定只在对象构造。你不能改变它使用点符号。

测量功能h,指定为一个函数处理。函数计算N有效输出测量向量的非线性系统在时间步k,鉴于时间步的状态向量k。N是数量的测量系统。你写并保存测量功能和使用它来构建对象。例如,如果vdpMeasurementFcn.m是测量函数,指定吗MeasurementFcn作为@vdpMeasurementFcn。您还可以指定MeasurementFcn作为一个匿名函数的句柄函数。

您所指定的输入函数取决于测量噪声作为添加剂或非相加HasAdditiveMeasurementNoise对象的属性:

  • HasAdditiveMeasurementNoise是真的——测量噪声v添加剂,测量函数指定测量如何演变状态值的函数:

    y (k) = h (x (k),听Um1,…,学院)

    在哪里y (k)和x (k)这是估计的输出和估计状态时间吗k,听Um1,…,学院是你需要的任何可选的输入参数测量功能。例如,如果您正在使用多个传感器跟踪一个物体,一个额外的输入可能是传感器的位置。在评估期间,您通过这些附加参数正确的命令进而通过测量功能。

  • HasAdditiveMeasurementNoise是假的——测量噪声非相加,和测量功能还指定了如何输出测量的发展作为测量噪声的函数:

    y (k) = h (x (k), v (k),听Um1,…,学院)

看到的一个例子与添加剂过程噪声测量函数,类型编辑vdpMeasurementFcn在命令行中。看到的一个例子与非相加过程噪声测量函数,类型编辑vdpMeasurementNonAdditiveNoiseFcn。

MeasurementFcn是一个nontunable财产。您可以指定使用前一次正确的命令对象构造期间或之后使用点符号对象建设。你不能改变它在使用了正确的命令。

雅可比矩阵的测量功能h,指定为以下之一:

  • []-雅可比矩阵数值计算在每一个调用正确的命令。这可能会增加处理时间和状态估计的数值不准确。

  • 雅可比矩阵函数处理——你编写和保存功能和指定处理函数。例如,如果vdpMeasurementJacobianFcn.m雅可比矩阵函数,指定吗MeasurementJacobianFcn作为@vdpMeasurementJacobianFcn。

    函数计算测量函数的偏导数的状态和测量噪声。雅可比矩阵函数输入的数量必须等于输入的数量测量功能,必须指定在同一订单在这两个函数。输出的数量取决于雅可比矩阵的函数HasAdditiveMeasurementNoise属性:

    • HasAdditiveMeasurementNoise是真的——函数的偏导数计算测量函数的状态( ∂ h / ∂ x )。输出是一个N——- - - - - -Ns雅可比矩阵,N测量系统的的数量和吗Ns的状态数。

    • HasAdditiveMeasurementNoise是假的,函数也返回第二个输出测量函数的偏导数的测量噪声术语( ∂ h / ∂ v )。第二个返回作为输出N——- - - - - -V雅可比矩阵,V是测量噪声的数量条款。

看到雅可比矩阵函数的一个例子添加剂测量噪声、类型编辑vdpMeasurementJacobianFcn在命令行中。

MeasurementJacobianFcn是一个nontunable财产。您可以指定使用前一次正确的命令对象构造期间或之后使用点符号对象建设。你不能改变它在使用了正确的命令。

测量噪声协方差,指定为一个标量或矩阵的值取决于HasAdditiveMeasurementNoise属性:

  • HasAdditiveMeasurementNoise是真的——协方差指定为一个标量或N——- - - - - -N矩阵,N是数量的测量系统。指定一个标量之间如果没有互相关测量噪声条款和所有条款都有相同的方差。软件使用标量值来创建一个N——- - - - - -N对角矩阵。

  • HasAdditiveMeasurementNoise是假的——指定协方差作为V——- - - - - -V矩阵,V是测量噪声的数量条款。MeasurementNoise使用前必须指定正确的。当你指定MeasurementNoise作为第一次的矩阵,然后改变MeasurementNoise您还可以指定它作为一个标量。指定作为标量之间如果没有互相关测量噪声条款和所有条款都有相同的方差。软件扩展了标量V——- - - - - -V对角矩阵对角线上的标量。

MeasurementNoise是一个可调的特性。你可以改变它使用点符号。

过程噪声协方差,指定为一个标量或矩阵的值取决于HasAdditiveProcessNoise属性:

  • HasAdditiveProcessNoise是真的——协方差指定为一个标量或Ns——- - - - - -Ns矩阵,Ns是系统的状态数。指定一个标量如果之间没有互相关处理噪音方面,和所有条款都有相同的方差。软件使用标量值来创建一个Ns——- - - - - -Ns对角矩阵。

  • HasAdditiveProcessNoise是假的——指定协方差作为W——- - - - - -W矩阵,W是过程噪声的数量条款。ProcessNoise使用前必须指定预测。当你指定ProcessNoise作为第一次的矩阵,然后改变ProcessNoise您还可以指定它作为一个标量。指定作为标量如果没有过程之间的互相关噪声条款和所有条款都有相同的方差。软件扩展了标量W——- - - - - -W对角矩阵。

ProcessNoise是一个可调的特性。你可以改变它使用点符号。

非线性系统的状态,指定为一个矢量的大小Ns,在那里Ns是系统的状态数。

当你使用预测命令,状态在时间步长更新的预测价值吗k使用状态在时间步的值k1。当你使用正确的命令,状态更新的估计价值在时间步吗k利用测量数据在时间步k。

的初始值状态是你指定的吗InitialState在对象创建输入参数。如果您指定InitialState作为一个列向量,然后状态也是一个列向量,预测和正确的命令的返回状态估计作为一个列向量。否则,返回一个行向量。如果你想要一个过滤器与单精度浮点变量,你必须指定状态作为一个单精度变量对象构造期间使用InitialState输入参数。

状态是一个可调的特性。你可以改变它使用点符号。

状态估计误差协方差,指定为一个标量或Ns——- - - - - -Ns矩阵,Ns是系统的状态数。如果你指定一个标量,软件使用标量值来创建一个Ns——- - - - - -Ns对角矩阵。

指定一个高价值的协方差当你没有信心在您所指定的初始状态值InitialState输入参数。

当你使用预测命令,StateCovariance在时间步长更新的预测价值吗k使用状态在时间步的值k1。当你使用正确的命令,StateCovariance更新的估计价值在时间步吗k利用测量数据在时间步k。

StateCovariance是一个可调的特性。你可以改变它使用后使用点符号正确的或预测命令。

状态转移函数f,指定为一个函数处理。函数计算Ns在时间步元系统的状态向量k,鉴于时间步的状态向量k1。Ns是非线性系统的状态数。

你编写和保存的状态转换函数非线性系统,并使用它来构建对象。例如,如果vdpStateFcn.m状态转换函数,指定吗StateTransitionFcn作为@vdpStateFcn。您还可以指定StateTransitionFcn作为一个匿名函数的句柄函数。

函数的输入你写取决于您指定的过程噪声作为添加剂或非相加HasAdditiveProcessNoise对象的属性:

  • HasAdditiveProcessNoise是正确的——这个过程噪声w添加剂,状态转换函数指定美国如何进化状态的函数值在以前的时间步骤:

    x (k) = f (x (k - 1), Us1,…, Usn)

    在哪里x (k)在时间是估计的状态吗k,Us1,…, Usn是你的状态转换函数所需的任何额外的输入参数,如系统输入或样品时间。在评估期间,您通过这些附加参数预测命令,进而通过状态转换函数。

  • HasAdditiveProcessNoise是假的,这个过程噪声非相加,状态转换函数还指定了美国如何演变过程噪声的函数:

    x (k) = f (x (k - 1), w (k - 1), Us1,…, Usn)

看到一个状态转换函数的一个例子与添加剂过程噪声、类型编辑vdpStateFcn在命令行中。

StateTransitionFcn是一个nontunable财产。您可以指定使用前一次预测命令对象构造期间或之后使用点符号对象建设。你不能改变它在使用了预测命令。

雅可比矩阵的状态转换函数f,指定为以下之一:

  • []-雅可比矩阵数值计算在每一个调用预测命令。这可能会增加处理时间和状态估计的数值不准确。

  • 雅可比矩阵函数处理——你编写和保存功能和指定处理函数。例如,如果vdpStateJacobianFcn.m雅可比矩阵函数,指定吗StateTransitionJacobianFcn作为@vdpStateJacobianFcn。

    函数计算状态转移函数的偏导数的状态和过程噪声。雅可比矩阵函数输入的数量必须等于输入状态转换函数和的数量必须指定在同一订单在这两个函数。函数的输出取决于数量HasAdditiveProcessNoise属性:

    • HasAdditiveProcessNoise是真的——函数计算状态转移函数的偏导数的州( ∂ f / ∂ x )。输出是一个Ns——- - - - - -Ns雅可比矩阵,Ns的状态数。

    • HasAdditiveProcessNoise是假的,函数必须返回第二个输出状态转换函数的偏导数的过程噪声条件( ∂ f / ∂ w )。第二个返回作为输出Ns——- - - - - -W雅可比矩阵,W是过程噪声的数量条款。

扩展卡尔曼滤波算法使用雅可比矩阵计算状态估计误差协方差。

看到雅可比矩阵函数的一个例子为添加剂过程噪声、类型编辑vdpStateJacobianFcn在命令行中。

StateTransitionJacobianFcn是一个nontunable财产。您可以指定使用前一次预测命令对象构造期间或之后使用点符号对象建设。你不能改变它在使用了预测命令。

输出参数

全部折叠

扩展卡尔曼滤波对象在线状态估计,作为一个返回extendedKalmanFilter对象。创建这个对象使用指定的属性。使用正确的和预测命令来估计状态和状态估计误差协方差使用扩展卡尔曼滤波算法。

当你使用预测,obj.State和obj.StateCovariance在时间步长更新的预测价值吗k使用状态在时间步的值k1。当你使用正确的,obj.State和obj.StateCovariance在时间步长更新估计的值吗k利用测量数据在时间步k。

兼容性的考虑

全部展开

行为改变R2020b

扩展功能

另请参阅

功能

块

主题

外部网站

介绍了R2016b

控制系统工具箱文档

金宝app

学习如何自动调整PID控制器增益

学习如何自动调整PID控制器增益

下载代码示例