利用扩展卡尔曼滤波或无迹卡尔曼滤波或粒子滤波预测下一时刻的状态和状态估计误差协方差
的预测
命令预测状态和状态估计误差协方差extendedKalmanFilter
,unscentedKalmanFilter
或者particleFilter
对象的下一个时间步骤。为了实现扩展卡尔曼滤波算法或无迹卡尔曼滤波算法,使用预测
和正确的
命令一起。如果存在当前的输出测量,则可以使用预测
和正确的
.如果缺少度量,您只能使用预测
.有关使用命令的订单的信息,请参阅使用预测和正确的命令.
用这个预测
命令用于使用实时数据进行在线状态估计。当数据不能实时提供时,要计算识别模型的k -步前输出,使用预测
为离线估计。
[
预测扩展或Unscented Kalman滤波器的状态估计和状态估计误差协方差,或粒子过滤器对象PredictedState
,PredictedStateCovariance
) =预测(obj
)obj
在下一次步骤。
你创造了obj
使用extendedKalmanFilter
,unscentedKalmanFilter
或者particleFilter
命令。你指定非线性系统的状态跃迁函数和测量函数obj
.您还指定这些函数中的过程和测量噪声项是可加性的还是非可加性的。的状态
属性存储最新的估计状态值。假设在时间步长k
,obj。状态
是
.这个值是时间的状态估计k
,使用测量输出直到时间k
.当你使用预测
命令,软件返回
在PredictedState
输出。在哪里
状态是时间的估计吗k + 1
,使用测量到时间的输出进行估计k
.该命令返回状态估计错误协方差
在PredictedStateCovariance
输出。该软件还更新状态
和StateCovariance.
的属性obj
用这些修正值。
如果状态转换函数,请使用此语法f你在obj.statetransitionfcn.
有下列形式之一:
x (k) = f (x (k - 1))
- 用于添加过程噪声。
x (k) = f (x (k - 1), w (k - 1))
-对于非添加剂的过程噪声。
在哪里x
和w
为系统的状态噪声和过程噪声。唯一的输入f是状态和过程的噪声。
[
如果系统的状态转移函数需要这些输入,则指定额外的输入参数。您可以指定多个参数。PredictedState
,PredictedStateCovariance
) =预测(obj
,Us1…Usn
)
如果您的状态转换功能,请使用此语法f有下列形式之一:
x (k) = f (x (k - 1), Us1,…Usn)
- 用于添加过程噪声。
x (k) = f (x (k - 1), w (k - 1), Us1,…Usn)
-对于非添加剂的过程噪声。