主要内容

unscentedKalmanFilter

创建无气味卡尔曼滤波对象用于在线状态估计

在页面中全部折叠

语法

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

描述

例子

obj= unscentedKalmanFilter (StateTransitionFcn，MeasurementFcn，InitialState）为离散非线性系统的在线状态估计创建无气味卡尔曼滤波对象。StateTransitionFcn是计算系统状态的函数吗k，给定时刻的状态向量k1。MeasurementFcn是一个函数，计算系统的输出测量的时间k，给定当时的状态k．InitialState指定状态估计的初始值。

创建对象后，使用正确的而且预测命令，使用离散时间无气味卡尔曼滤波算法和实时数据更新状态估计和状态估计误差协方差值。

例子

obj= unscentedKalmanFilter (StateTransitionFcn，MeasurementFcn，InitialState，名称,值）使用一个或多个指定无气味卡尔曼过滤器对象的附加属性名称,值对参数。

obj= unscentedKalmanFilter (StateTransitionFcn，MeasurementFcn）使用指定的状态转换和测量函数创建无气味卡尔曼滤波器对象。在使用之前预测而且正确的命令，使用点表示法指定初始状态值。例如，对于具有初始状态值的双状态系统(1, 0),指定obj。状态= (1,0)．

obj= unscentedKalmanFilter (StateTransitionFcn，MeasurementFcn，名称,值）使用一个或多个指定无气味卡尔曼过滤器对象的附加属性名称,值对参数。在使用之前预测而且正确的命令指定初始状态值名称,值对参数或点表示法。

例子

obj= unscentedKalmanFilter (名称,值）创建使用一个或多个属性指定的无气味卡尔曼过滤器对象名称,值对参数。在使用之前预测而且正确的命令，指定状态转换函数、测量函数和初始状态值名称,值对参数或点表示法。

对象描述

unscentedKalmanFilter使用离散时间无气味卡尔曼滤波算法为离散时间非线性系统的在线状态估计创建对象。

考虑一个有状态的植物x、输入u、输出y、过程噪声w、测量噪声v．假设你可以把植物表示成一个非线性系统。

该算法计算状态估计<年代pan class="inlineequation"> x ＾ 用你指定的状态转换和测量函数来计算非线性系统。该软件允许您指定这些函数中的噪声为加性或非加性:

  • 加性噪声条件-状态转移和测量方程形式如下:

    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描述状态演化的非线性状态转移函数是吗x从一个时间步骤到下一个。非线性测量函数h有关x的测量y在时间步k．w而且v分别为零均值、不相关过程噪声和测量噪声。这些函数还可以有附加的输入参数，用u<年代ub>年代而且u<年代ub>米在方程。例如，附加参数可以是时间步长k或输入u非线性系统。可以有多个这样的参数。

    注意，两个方程中的噪声项都是可加的。也就是说,x (k)是否与工艺噪声线性相关w (k - 1),y (k)与测量噪声线性相关吗v (k)．

  • 非相加噪音方面-该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分别是过程噪声和测量噪声的非线性函数。当噪声项非加性时，状态转移和测量方程有如下形式:

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

执行在线状态估计时，首先要创建非线性状态转移函数f和测量功能h．然后构造unscentedKalmanFilter对象，并指定噪声项是加性的还是非加性的。对象创建后，使用预测命令来预测下一个时间步骤的状态估计正确的使用无气味卡尔曼滤波算法和实时数据修正状态估计。有关算法的信息，请参见在线状态估计的扩展和无气味卡尔曼滤波算法．

可以使用以下命令unscentedKalmanFilter对象:

命令 描述
正确的

在时间步中修正状态和状态估计误差协方差k利用时间步测量数据k．
预测

预测下一时间步的状态和状态估计误差协方差。
剩余 返回实际测量值和预测测量值之间的差值。
克隆

创建另一个具有相同对象属性值的对象。

不使用语法创建额外的对象methoda = obj．对以这种方式创建的新对象的属性所做的任何更改(methoda)也会改变原始对象的属性(obj）.

为unscentedKalmanFilter对象属性,看属性．

例子

全部折叠

打开生活的脚本

要定义一个unscented卡尔曼滤波对象来估计系统的状态，需要编写并保存系统的状态转移函数和测量函数。

在本例中，使用之前编写和保存的状态转换和测量函数，vdpStateFcn.m而且vdpMeasurementFcn.m．这些函数描述了非线性参数为= 1的van der Pol振子的离散近似。振荡器有两种状态。

指定两个状态的初始猜测。您将初始状态猜测指定为米-元素行或列向量，其中米是状态数。

initialStateGuess = (1, 0);

创建无气味的卡尔曼过滤器对象。使用函数句柄向对象提供状态转换和测量函数。

obj = unscentedKalmanFilter (@vdpStateFcn @vdpMeasurementFcn initialStateGuess);

该对象有一个默认结构，其中过程和测量噪声是相加的。

要从构造的对象估计状态和状态估计误差协方差，使用正确的而且预测命令和实时数据。

打开生活的脚本

为具有两种状态和一个输出的范德堡尔振荡器创建无气味卡尔曼滤波对象。使用之前编写和保存的状态转换和测量函数，vdpStateFcn.m而且vdpMeasurementFcn.m．这些函数是针对附加过程和测量噪声项编写的。指定这两个状态的初始状态值为[2;0]。

由于系统具有两种状态且过程噪声是可加性的，因此过程噪声是一个2元向量，过程噪声协方差是一个2乘2矩阵。假设过程噪声项之间不存在相互关系，且两者方差均为0.01。您可以将过程噪声协方差指定为一个标量。该软件使用标量值创建一个对角线上为0.01的2 × 2对角线矩阵。

指定对象构建过程中的过程噪声协方差。

obj = unscentedKalmanFilter (@vdpStateFcn @vdpMeasurementFcn, (2, 0),<年代pan style="color:#0000FF">.．.“ProcessNoise”, 0.01);

或者，您可以使用点表示法在对象构造之后指定噪声协方差。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，测量噪声是一个单元素向量MeasurementNoise性质表示测量噪声的方差。

打开生活的脚本

为具有两种状态和一个输出的范德堡尔振荡器创建无气味卡尔曼滤波对象。假设状态转移函数中的过程噪声项是加性的。即状态与过程噪声之间存在线性关系。同时假设测量噪声项是非可加性的。即测量噪声与测量噪声之间存在非线性关系。

obj = unscentedKalmanFilter (<年代pan style="color:#A020F0">“HasAdditiveMeasurementNoise”、假);

指定状态转换函数和测量函数。使用前面编写和保存的函数，vdpStateFcn.m而且vdpMeasurementNonAdditiveNoiseFcn.m．

假设过程噪声是加性的，写出状态转移函数。假设测量噪声是非可加性的，写出测量函数。

obj。StateTransitionFcn = @vdpStateFcn;obj。米easurementFcn = @vdpMeasurementNonAdditiveNoiseFcn;

指定这两个状态的初始状态值为[2;0]。

obj。状态= (2;0);

您现在可以使用正确的而且预测从构造对象估计状态和状态估计误差协方差值的命令。

打开生活的脚本

考虑一个有输入的非线性系统u的状态x和测量y根据以下状态转换和测量方程演化:

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系统的噪声是加性的，而测量噪声v非相加。

为系统创建状态转换函数和测量函数。使用附加输入指定函数u．

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

f而且h分别是存储状态转换和测量函数的匿名函数的函数句柄。在测量函数中，由于测量噪声是非加性的，v也指定为输入。请注意,v是否指定为附加输入之前的输入u．

创建一个无气味卡尔曼滤波对象，使用指定的函数估计非线性系统的状态。指定状态的初始值为1，测量噪声为非可加性。

obj = unscentedKalmanFilter (f、h 1<年代pan style="color:#A020F0">“HasAdditiveMeasurementNoise”、假);

指定测量噪声协方差。

obj。米easurementNoise = 0.01;

方法可以估计系统的状态预测而且正确的命令。传递的值u来预测而且正确的，然后分别将它们传递给状态转换函数和测量函数。

修正状态估计，在时间步k处测量值y[k]=0.8，输入值u[k]=0.2。

正确的(obj, 0.8, 0.2)

当u[k]=0.2时，预测下一个时间步的状态。

预测(obj, 0.2)

输入参数

全部折叠

状态转移函数f，指定为函数句柄。函数计算Ns-时间步长的系统单元状态向量k，给定时间步长的状态向量k1。Ns是非线性系统的状态数。

您可以为非线性系统编写并保存状态转换函数，并使用它来构造对象。例如,如果vdpStateFcn.m状态转换函数是指定的吗StateTransitionFcn作为@vdpStateFcn．您还可以指定StateTransitionFcn作为匿名函数的函数句柄。

函数的输入取决于将过程噪声指定为加性还是非加性HasAdditiveProcessNoise对象的属性:

  • HasAdditiveProcessNoise是真的-过程噪声w是可加的，状态转换函数指定状态如何作为前一个时间步的状态值的函数演化:

    x (k) = f (x (k - 1), Us1,…,Usn)

    在哪里x (k)是当时的估计状态吗k,Us1,…,Usn状态转换函数是否需要任何其他输入参数，例如系统输入或采样时间。在估计期间，将这些附加参数传递给预测命令，该命令将它们传递给状态转换函数。

  • HasAdditiveProcessNoisefalse -过程噪声是非可加性的，状态转移函数也指定了状态如何作为过程噪声的函数演化:

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

要查看带有附加过程噪声的状态转移函数示例，请键入编辑vdpStateFcn在命令行。

测量功能h，指定为函数句柄。函数计算N非线性系统在时间步长的-单元输出测量向量k，给定时间步长的状态向量k．N是系统的测量次数。写入并保存度量函数，并使用它来构造对象。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作为匿名函数的函数句柄。

函数的输入取决于将测量噪声指定为加性噪声还是非加性噪声HasAdditiveMeasurementNoise对象的属性:

  • HasAdditiveMeasurementNoise为真-测量噪声v是可添加的，并且度量函数指定度量如何作为状态值的函数发展:

    y (k) = h (x (k),听Um1,…,学院)

    在哪里y (k)而且x (k)预估的产量和预估的状态是否在当时k,听Um1,…,学院度量函数是否需要任何可选的输入参数。例如，如果您正在使用多个传感器跟踪一个对象，那么附加的输入可能是传感器的位置。在估计期间，将这些附加参数传递给正确的命令，该命令将它们传递给度量函数。

  • HasAdditiveMeasurementNoisefalse -测量噪声是非可加性的，并且测量函数还指定了输出测量如何作为测量噪声的函数发展:

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

当你有HasMeasurementWrapping属性启用后，则度量函数的输出还必须包括包装边界，指定为<年代pan class="emphasis">N——- - - - - -2其中，第一列提供最小测量界，第二列提供最大测量界。<年代pan class="emphasis">N是系统的测量次数。

要查看带有附加过程噪声的测量函数示例，请键入编辑vdpMeasurementFcn在命令行。要查看带有非加性过程噪声的测量函数示例，请键入编辑vdpMeasurementNonAdditiveNoiseFcn．

初始状态估计，指定为Ns元向量,Ns是系统的状态数。根据您对系统的了解指定初始状态值。

指定的值存储在状态属性。如果您指定InitialState作为列向量状态也是列向量，和预测而且正确的命令以列向量的形式返回状态估计值。否则，返回行向量。

如果希望使用具有单精度浮点变量的过滤器，请指定InitialState作为单精度矢量变量。例如，对于具有状态转换和测量功能的双态系统vdpStateFcn.m而且vdpMeasurementFcn.m，创建具有初始状态的无气味卡尔曼滤波器对象[1, 2]如下:

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

数据类型:双|单

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

使用名称,值参数指定属性的unscentedKalmanFilter对象在创建对象期间。例如，创建一个无气味的卡尔曼滤波对象，并指定过程噪声协方差为0.01:

obj = unscentedKalmanFilter (StateTransitionFcn MeasurementFcn InitialState,<年代pan style="color:#A020F0">“ProcessNoise”, 0.01);

属性

全部折叠

unscentedKalmanFilter对象属性有三种类型:

  • 可以多次指定的可调属性，可以在使用对象构造期间指定名称,值参数，或者在状态估计期间之后的任何时间。在创建对象之后，使用点表示法修改可调属性。

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

    可调属性为状态，StateCovariance，ProcessNoise，MeasurementNoise，α，β,卡巴．

  • 您可以在对象构建期间或之后使用点概念指定一次的不可调优属性。在状态估计之前指定这些属性正确的而且预测．的StateTransitionFcn而且MeasurementFcn属性属于这一类。

  • 在对象构造过程中必须指定的不可调优属性。的HasAdditiveProcessNoise而且HasAdditiveMeasurementNoise属性属于这一类。

在平均状态值周围的sigma点的分布，指定为0到1之间的标量值(0<α< =1）.

无气味卡尔曼滤波算法将系统的状态视为一个具有均值的随机变量状态和方差StateCovariance．为了计算下一个时间步的状态及其统计属性，算法首先生成一组分布在均值附近的状态值状态通过使用无气味的转换来计算价值。这些生成的状态值称为西格玛点。该算法使用每个西格玛点作为状态转移和测量函数的输入，得到一组新的转换后的状态点和测量值。利用变换后的点计算下一时间步的状态和状态估计误差协方差值。

σ点在平均状态值周围的分布由两个参数控制α而且卡巴．第三个参数,β，影响在状态和测量协方差计算时转换点的权重:

  • α-确定sigma点在平均状态值周围的分布。它通常是一个小的正数。点的分布正比于α．较小的值对应的西格玛点更接近于平均状态。

  • 卡巴-第二个伸缩参数，通常设置为0。较小的值对应的西格玛点更接近于平均状态。的平方根成正比卡巴．

  • β-整合状态分布的先验知识。为高斯分布,β= 2是最优的。

如果你知道状态和状态协方差的分布，你可以调整这些参数来捕捉分布的高阶矩的变换。该算法只能跟踪状态概率分布中的单个峰值。如果在您的系统的状态分布中有多个峰值，您可以调整这些参数，使西格玛点保持在单个峰值附近。例如，选择小的α生成接近平均状态值的西格玛点。

有关更多信息，请参见无气味卡尔曼滤波算法．

α是一个可调属性。你可以用点符号来改变它。

状态分布的描述，用于调整转换的西格玛点的权重，指定为大于或等于0的标量值。为高斯分布,β= 2是最佳选择。

有关更多信息，请参见α属性描述。

β是一个可调属性。你可以用点符号来改变它。

测量噪声特性，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MeasurementFcn有以下形式:

    y (k) = h (x (k),听Um1,…,学院)

    在哪里y (k)而且x (k)预估的产量和预估的状态是否在当时k,听Um1,…,学院度量函数是否需要任何可选的输入参数。

  • 假-测量噪声是非加性的。度量函数指定输出度量如何作为状态的函数发展<年代pan class="emphasis">而且测量噪声:

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

HasAdditiveMeasurementNoise是不可调优的属性，只能在对象构造期间指定它。你不能用点表示法改变它。

工艺噪声特性，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)是当时的估计状态吗k,Us1,…,Usn状态转换函数是否需要其他输入参数。

  • 假-工艺噪声是非加性的。状态转换函数指定作为状态函数的状态如何演化<年代pan class="emphasis">而且前一个时间步的过程噪声:

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

HasAdditiveProcessNoise是不可调优的属性，只能在对象构造期间指定它。你不能用点表示法改变它。

在平均状态值周围的sigma点的分布，指定为0到3之间的标量值(0< =卡巴< =3.）.卡巴通常指定为0．较小的值对应的西格玛点更接近于平均状态。的平方根成正比卡巴．有关更多信息，请参见α属性描述。

卡巴是一个可调属性。你可以用点符号来改变它。

测量功能h，指定为函数句柄。函数计算N非线性系统在时间步长的-单元输出测量向量k，给定时间步长的状态向量k．N是系统的测量次数。您写入并保存度量函数，并使用它来构造对象。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作为匿名函数的函数句柄。

函数的输入取决于将测量噪声指定为加性噪声还是非加性噪声HasAdditiveMeasurementNoise对象的属性:

  • HasAdditiveMeasurementNoise为真-测量噪声v是可添加的，并且度量函数指定度量如何作为状态值的函数发展:

    y (k) = h (x (k),听Um1,…,学院)

    在哪里y (k)而且x (k)预估的产量和预估的状态是否在当时k,听Um1,…,学院度量函数是否需要任何可选的输入参数。例如，如果您正在使用多个传感器跟踪一个对象，那么附加的输入可能是传感器的位置。在估计期间，将这些附加参数传递给正确的命令，然后将它们传递给度量函数。

  • HasAdditiveMeasurementNoisefalse -测量噪声是非可加性的，并且测量函数还指定了输出测量如何作为测量噪声的函数发展:

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

当你有HasMeasurementWrapping属性启用后，则度量函数的输出还必须包括包装边界，指定为<年代pan class="emphasis">N——- - - - - -2其中，第一列提供最小测量界，第二列提供最大测量界。<年代pan class="emphasis">N是系统的测量次数。

要查看带有附加过程噪声的测量函数示例，请键入编辑vdpMeasurementFcn在命令行。要查看带有非加性过程噪声的测量函数示例，请键入编辑vdpMeasurementNonAdditiveNoiseFcn．

MeasurementFcn是一个不可调的属性。方法之前可以指定它一次正确的命令，可以在对象构造过程中执行，也可以在对象构造后使用点符号。方法后不能更改正确的命令。

的值指定为标量或矩阵的测量噪声协方差HasAdditiveMeasurementNoise属性:

  • HasAdditiveMeasurementNoise是true -指定协方差作为标量或N——- - - - - -N矩阵,N是系统的测量次数。如果测量噪声项之间没有相互关系且所有项的方差相同，则指定一个标量。该软件使用标量值创建N——- - - - - -N对角矩阵。

  • HasAdditiveMeasurementNoise是false -指定协方差为aV——- - - - - -V矩阵,V是测量噪声项的个数。MeasurementNoise必须在使用前指定正确的．当你指定MeasurementNoise作为一个矩阵，第一次，然后改变MeasurementNoise您也可以将它指定为一个标量。如果测量噪声项之间没有相互关系且所有项的方差相同，则指定为标量。软件将标量扩展为aV——- - - - - -V对角线上有标量的对角线矩阵。

MeasurementNoise是一个可调属性。你可以用点符号来改变它。

的值指定为标量或矩阵的过程噪声协方差HasAdditiveProcessNoise属性:

  • HasAdditiveProcessNoise是true -指定协方差作为标量或Ns——- - - - - -Ns矩阵,Ns是系统的状态数。如果过程噪声项之间没有相互关系，且所有项的方差相同，则指定一个标量。该软件使用标量值创建Ns——- - - - - -Ns对角矩阵。

  • HasAdditiveProcessNoise是false -指定协方差为aW——- - - - - -W矩阵,W是过程噪声项的数目。ProcessNoise必须在使用前指定预测．当你指定ProcessNoise作为一个矩阵，第一次，然后改变ProcessNoise您也可以将它指定为一个标量。如果过程噪声项之间没有相互关系且所有项的方差相同，则指定为标量。软件将标量扩展为aW——- - - - - -W对角矩阵。

ProcessNoise是一个可调属性。你可以用点符号来改变它。

非线性系统的状态，用大小向量表示Ns,在那里Ns是系统的状态数。

当您使用预测命令,状态是否在时间步用预测值更新k使用时间步长的状态值k1。当您使用正确的命令,状态是否在时间步用估计值更新k利用时间步测量数据k．

的初值状态中指定的值是否InitialState在对象创建过程中输入参数。如果您指定InitialState作为列向量，那么状态也是一个列向量，而预测而且正确的命令以列向量的形式返回状态估计值。否则，返回行向量。如果希望使用单精度浮点变量的过滤器，则必须指定状态作为对象构造过程中的单精度变量InitialState输入参数。

状态是一个可调属性。你可以用点符号来改变它。

状态估计误差协方差，指定为标量或Ns——- - - - - -Ns矩阵,Ns是系统的状态数。如果指定了一个标量，软件将使用该标量值创建一个Ns——- - - - - -Ns对角矩阵。

类中指定的初始状态值不可信时，为协方差指定一个较高的值InitialState输入参数。

当您使用预测命令,StateCovariance是否在时间步用预测值更新k使用时间步长的状态值k1。当您使用正确的命令,StateCovariance是否在时间步用估计值更新k利用时间步测量数据k．

StateCovariance是一个可调属性。方法之后，可以使用点表示法更改它正确的或预测命令。

状态转移函数f，指定为函数句柄。函数计算Ns-时间步长的系统单元状态向量k，给定时间步长的状态向量k1。Ns是非线性系统的状态数。

您可以为您的非线性系统编写并保存状态转换函数，并使用它来构造对象。例如,如果vdpStateFcn.m状态转换函数是指定的吗StateTransitionFcn作为@vdpStateFcn．您还可以指定StateTransitionFcn作为匿名函数的函数句柄。

函数的输入取决于将过程噪声指定为加性还是非加性HasAdditiveProcessNoise对象的属性:

  • HasAdditiveProcessNoise是真的-过程噪声w为可加性，状态转移函数指定状态如何作为前一个时间步的状态值的函数演化:

    x (k) = f (x (k - 1), Us1,…,Usn)

    在哪里x (k)是当时的估计状态吗k,Us1,…,Usn状态转换函数是否需要任何其他输入参数，例如系统输入或采样时间。在估计期间，将这些附加参数传递给预测命令，该命令将它们传递给状态转换函数。

  • HasAdditiveProcessNoisefalse -过程噪声是非可加性的，状态转移函数也指定了状态如何作为过程噪声的函数演化:

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

要查看带有附加过程噪声的状态转移函数示例，请键入编辑vdpStateFcn在命令行。

StateTransitionFcn是一个不可调的属性。方法之前可以指定它一次预测命令，可以在对象构造过程中执行，也可以在对象构造后使用点符号。方法后不能更改预测命令。

启用测量包装，指定为0或1。当您有独立于模型状态的循环测量时，您可以启用测量包装来估计状态。如果选择此参数，则指定的测量函数必须包含以下两个输出:

  1. 测量值，用a表示<年代pan class="emphasis">N非线性系统在时间步长的-单元输出测量向量<年代pan class="emphasis">k，给定时间步长的状态向量<年代pan class="emphasis">k．<年代pan class="emphasis">N是系统的测量次数。

  2. 测量包装边界，指定为<年代pan class="emphasis">N——- - - - - -2其中，第一列提供最小测量界，第二列提供最大测量界。

使HasMeasurementWrapping属性将测量残差包装在定义的范围内，这有助于防止由于不正确的测量残差值而导致滤波器发散。示例请参见基于扩展卡尔曼滤波器的缠绕测量状态估计．

HasMeasurementWrapping是一个不可调的属性。您可以在对象构造期间指定它一次。创建状态估计对象后不能更改。

输出参数

全部折叠

用于在线状态估计的无气味卡尔曼滤波对象，返回为unscentedKalmanFilter对象。该对象是使用指定的属性．使用正确的而且预测命令的状态估计和状态估计误差协方差使用无气味卡尔曼滤波算法。

当你使用预测，obj。状态而且obj。StateCovariance是否在时间步中更新预测值k使用时间步长的状态值k1。当你使用正确的，obj。状态而且obj。StateCovariance是否在时间步用估计值更新k利用时间步测量数据k．

扩展功能

版本历史

介绍了R2016b

全部展开

在R2020b中，行为发生了变化

另请参阅

功能

  • |<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">

块

主题

外部网站