预测
利用扩展卡尔曼滤波或无气味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
语法
描述
的预测
命令预测状态和状态估计误差协方差extendedKalmanFilter
,unscentedKalmanFilter
或particleFilter
对象在下一个时间步中。要实现扩展或无味卡尔曼滤波算法,请使用预测
而且正确的
命令在一起。如果当前输出测量存在,则可以使用预测
而且正确的
.如果缺少测量,则只能使用预测
.有关命令使用顺序的信息,请参见使用预测和正确的命令.
[
预测扩展或无气味卡尔曼滤波器或粒子滤波对象的状态估计和状态估计误差协方差PredictedState
,PredictedStateCovariance
预测,预测obj
)obj
下一个时间步。
您创建obj
使用extendedKalmanFilter
,unscentedKalmanFilter
或particleFilter
命令。指定非线性系统的状态转移函数和测量函数obj
.您还可以指定过程和测量噪声项在这些函数中是加性的还是非加性的。的状态
对象的属性存储最新的估计状态值。假设在时间步长k
,obj。状态
是
.这个值是对时间的状态估计k
,估计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
这是对时间的估计吗k + 1
,估计使用测量输出直到时间k
.的状态估计误差协方差
在PredictedStateCovariance
输出。该软件还更新状态
而且StateCovariance
的属性obj
用这些修正的值。
如果状态转换函数,则使用此语法f你在obj。StateTransitionFcn
有下列其中一种形式:
X (k) = f(X (k-1))
-用于附加过程噪声。X (k) = f(X (k-1),w(k-1))
-用于非添加性过程噪声。
在哪里x
而且w
是系统的状态噪声和过程噪声。唯一的输入f是状态和过程噪声。
[
如果系统的状态转换函数需要这些输入,则指定其他输入参数。可以指定多个参数。PredictedState
,PredictedStateCovariance
预测,预测obj
,Us1…Usn
)
如果您使用状态转换函数,请使用此语法f有下列其中一种形式:
x(k) = f(x(k-1),Us1,…Usn)
-用于附加过程噪声。x(k) = f(x(k-1),w(k-1),Us1,…Usn)
-用于非添加性过程噪声。