中验证在线状态估计金宝app
在你使用扩展卡尔曼滤波器，无味卡尔曼滤波或粒子滤波块用于非线性系统的在线状态估计，在应用程序中部署代码之前验证估计。如果验证表明估计的置信度较低，那么请参阅在线状态估计故障排除为下一个步骤。在您验证了在线估计结果之后，您可以为使用的块生成C/ c++代码金宝app®编码器™软件
要验证过滤器的性能，请使用来自这些场景的测量或模拟输出数据执行状态估计。
获取系统在不同操作条件下的输出数据和输入值-确保估算在所有感兴趣的操作条件下都能很好地工作。例如，假设您想要使用噪声位置测量来跟踪车辆的位置和速度。测量不同车速、慢速和急转弯的数据。
对于每个感兴趣的操作条件，获得具有不同噪声实现的多组实验或模拟数据-确保不同噪声值不会恶化估计性能。
对于每一个场景，通过检查残差和状态估计误差来测试过滤器的性能。
检验残差
残差，或输出估计误差，是测量系统输出之间的差异yMeasured [k]，以及估计的系统输出yPredicted (k | k - 1)在时间步k．在这里,yPredicted (k | k - 1)估计的输出是否在时间步长k，在时间步长之前使用输出测量进行预测k - 1．
块不显式输出yPredicted (k | k - 1)，但是您可以使用估计的状态值以及状态转换和度量函数来计算输出。例如，请参见计算残差和状态估计误差．
残差必须具有以下特征:
小幅度-相对于输出大小的小误差增加了估计值的置信度。
零均值
低自相关，除了在零时间滞后-要计算自相关，您可以使用自相关(DSP系统工具箱)block from DSP System Toolbox™软件。
检查模拟数据的状态估计误差
当您模拟非线性系统的输出数据并使用该数据进行状态估计时，您就知道了真正的状态值。您可以计算估计状态值和真实状态值之间的误差，并分析这些误差。的位置输出任意时间步长的估计状态值xhat区块的港口。状态估计误差必须满足以下特征:
小的大小
零均值
低自相关性，除了在零时滞
你也可以计算状态估计误差的协方差，并将其与块输出的状态估计误差协方差进行比较P区块的港口。类似的值增加了对滤波器性能的信心。
计算残差和状态估计误差
这个例子展示了如何估计一个离散时间范德堡尔振荡器的状态，并计算状态估计误差和残差来验证估计。残差是输出估计误差，即测量输出与估计输出之间的差值。
在Simuli金宝appnk™模型中vdpStateEstimModel，范德堡尔振荡器块实现了非线性参数mu = 1的振荡器。振子有两个状态。第一状态的噪声测量x1是可用的。
该模型使用Unscented卡尔曼滤波块来估计振荡器的状态。由于块需要离散时间输入，速率跃迁块样本x1给出离散化的输出测量值yMeasured [k]在时间步k．Unscented卡尔曼滤波块输出状态估计值xhat (k | k)在时间步k,使用yMeasured直到时间k．滤波器块使用先前写入和保存的状态转换和测量功能，vdpStateFcn.m和vdpMeasurementFcn.m．有关这些函数的信息，请参见基于无迹卡尔曼滤波和粒子滤波的非线性状态估计．
为了验证状态估计，模型计算生成残差块中的残差。此外，由于真实状态值已知，该模型还计算状态估计误差。
为了计算残差，生成残差块首先计算估计输出yPredicted (k | k - 1)使用估计的状态和状态转移和测量函数。在这里,yPredicted (k | k - 1)估计的输出是否在时间步长k，使用输出测量直到时间步长进行预测k - 1．然后块计算残差在时间步长k作为yMeasured [k]-yPredicted (k | k - 1)．
检查残差和状态估计误差，并确保它们具有小幅度、零均值和低自相关性。
在这个例子中，Unscented卡尔曼滤波块输出xhat (k | k)因为使用当前度量来改进状态估计块的参数被选中。如果清除此参数，则输出块xhat (k | k - 1)时步的预测状态值k,使用yMeasured直到时间k - 1．在这种情况下，计算yPredicted [k | k - 1] = MeasurementFcn (xhat [k | k - 1]),在那里MeasurementFcn是系统的测量功能。
另请参阅
相关的话题
你也可以从以下列表中选择一个网站:
