示例模型

示例模型具有三个主要功能。它在极性（轴承轴承）坐标中产生飞机位置，速度和加速度;它增加了测量噪声以模拟传感器的不准确读数;它使用卡尔曼滤波器来估计噪声测量的位置和速度。

模型输出

运行模型。在模拟结束时，图形显示以下信息：

- 与估计的轨迹相比的实际轨迹

- 范围的估计残留

- x（南北）和y（东西西）的实际，测量和估计位置

卡尔曼过滤器块

估计飞机的位置和速度是由“雷达卡尔曼滤波器”子系统执行的。该子系统采样嘈杂的测量，将它们转换为矩形坐标，并将其作为输入发送到DSP System Toolbox™Kalman滤波器块。

Kalman滤波器块在此应用程序中产生两个输出。第一个是对实际位置的估计。该输出转换回极性坐标，因此可以将其与测量进行比较，以产生剩余，估计和测量之间的差异。卡尔曼滤波器块平滑测量的位置数据以产生其对实际位置的估计。

来自卡尔曼滤波器块的第二输出是飞机状态的估计。在这种情况下，状态包括四个数字，其表示X和Y坐标中的位置和速度。

实验：初始速度不匹配

卡尔曼滤波器块在具有准确估计的飞机的位置和速度时，速度最佳，但考虑到时间可以补偿初始估计不良。要查看此，请更改条目估计状态的初始条件卡尔曼滤波器中的参数。Y方向上的初始速度的正确值为400.尝试将估计转换为100并再次运行模型。

观察到范围剩余程度要大得多，并且首先是“E-W位置”估计不准确。逐渐地，随着收集更多测量，剩余剩余变得更小并且位置变得更加准确。

实验：增加测量噪声

在本模型中，与最终范围相比，添加到范围估计的噪声相当小。噪声的最大幅度为300英尺，而最大范围为40,000英尺。尝试将范围噪声的大小提高到更大的值，例如，此金额的5倍或1500英尺。通过改变第一个组件获得“测量”中的参数。噪声强度的增益块。

观察到代表估计位置的蓝线从代表实际位置的红色线路移动，曲线变得更加“颠簸”和“锯齿状”。我们可以通过给予卡尔曼滤波器阻止更好地估计测量噪声来部分补偿不准确性。尝试设置测量噪声协方差Kalman过滤器块的参数为1500并再次运行模型。

观察到当测量噪声估计更好时，E-W和N-S位置估计曲线变得更加光滑。N-S位置曲线现在一致地低估了该位置。鉴于如何嘈杂地将测量值与N-S坐标的值进行比较，这是预期的行为。

也可以看看

Simu金宝applink®示例'sldemo_radar_eml'使用目标运动的相同初始模拟，并通过使用使用MATLAB功能块实现的扩展卡尔曼滤波器来完成跟踪。