GGIWphd.

伽玛高斯逆Wishart (GGIW) PHD滤波器

展开所有页面

描述

这GGIWphd.对象是一个过滤器，实现的概率假设密度(PHD)使用Gamma高斯逆- wishart组件的混合物。PHD过滤器的GGIW实现通常用于跟踪扩展对象。一个扩展对象可以在每个传感器上产生多个检测，GGIW滤波器使用随机矩阵模型来解释这些检测的空间分布。该过滤器由三个分布组成，以表示扩展对象的状态。

高斯分布 - 表示扩展对象的运动状态。
伽玛分布 - 表示来自扩展对象的传感器上的预期检测次数。
逆wishart (IW)分布-表示目标的空间范围。在二维空间中，区段用一个2 × 2的随机正定矩阵表示，它对应于二维椭圆描述。在三维空间中，范围用一个3 × 3的随机矩阵表示，对应于一个三维椭球体描述。这些随机矩阵的概率密度是一个逆wishart分布。

有关详细信息GGIWphd.，看［1］和[2]．

笔记

GGIWphd.对象不兼容trackerGNN那trackerjpda.,trackertomht.系统对象。

创建

句法

phd = ggiwphd.

博士= ggiwphd (StateCovariances)

PHD = GGIWPHD（州，StateCoverce，名称，值）

描述

博士学位= ggiwphd创造一个GGIWphd.使用默认属性值进行筛选。

博士学位= ggiwphd (StateCovariances)允许您指定状态和StateCoverces.密度每个组分的高斯分布。状态和StateCoverces.设置相同名称的属性。

例子

博士= ggiwphd (StateCovariances,名称,值）还允许您使用一个或多个名称值对设置滤波器的属性。将每个属性名称括在引号中。

特性

展开全部

`状态`-过滤器中每个组件的状态
P.——- - - - - -N矩阵

过滤器中每个组件的状态，指定为P.——- - - - - -N矩阵,P.是国家的维度和N是组分的数量。矩阵的每一列对应于每个组件的状态。默认值状态是一个6 × 2矩阵，其中第一列的元素都是0，第二列的元素都是1。

数据类型：单身的|双倍的

`StateCoverces.`-滤波器中各分量的状态估计误差协方差
P.——- - - - - -P.——- - - - - -N数组

状态估计过滤器中每个组件的错误协方差，指定为aP.——- - - - - -P.——- - - - - -N阵列，其中P.是国家的维度和N是组分的数量。每一页(P.——- - - - - -P.阵列的矩阵对应于每个组件的协方差矩阵。默认值StateCoverces.是一个6×6-6×2阵列，其中每个页面（6×6矩阵）是一个标识矩阵。

数据类型：单身的|双倍的

`positionIndex.`-州地位坐标的指数
`[1 3 5]`|正整数的行矢量

状态下的位置坐标指标，指定为正整数的行向量。例如，默认情况下，状态被布置为[x; vx; y; vy; z; z; vz]和相应的位置指数是[1 3 5]代表X-，Y和Z位置坐标。

例子:[1 2 3]

数据类型：单身的|双倍的

`StateTransitionFCN.`-状态转移函数
`@constvel.`（默认）|功能手柄

状态转换函数，指定为函数句柄。此函数在时间步骤计算状态向量K.从时间步长的状态向量K.1。该函数还可以包括噪声值。

如果HasaddittyProcessnoise.是真正的，使用以下语法之一指定函数:
```
x（k）= transitionfcn（x（k-1））
```
```
x (k) = transitionfcn (x (k - 1), dT)
```
在哪里x (k)是时候估计了K.,DT.是时间步长。
如果HasaddittyProcessnoise.是错误的，使用以下语法之一指定函数:
```
x（k）= transitionfcn（x（k-1），w（k-1））
```
```
x（k）= transitionfcn（x（k-1），w（k-1），dt）
```
在哪里x (k)是时候估计了K.那w (k)是时间的过程噪音K.,DT.是时间步长。

例子:@constacc

数据类型：function_handle.

`StateTransitionJacobianFcn`-雅各比奥的状态转换功能
@constveljac（默认）|功能手柄

状态转移函数的雅可比矩阵，指定为函数句柄。该函数具有与状态转换函数相同的输入参数。

如果HasaddittyProcessnoise.是真正的，使用以下语法之一指定雅可比矩阵函数:
```
Jx (k) = statejacobianfcn (x (k))
```
```
Jx (k) = statejacobianfcn (x (k), dT)
```
在哪里x (k)是时刻状态吗K.那DT.是时间步，和Jx (k)状态转移函数相对于状态的雅可比矩阵。雅可比矩阵是anm——- - - - - -m矩阵时K.，在哪里m是状态的维度。
如果HasaddittyProcessnoise.是错误的，使用以下语法之一指定雅可比矩阵函数:
```
[JX（k），JW（k）] = StateJacobianfcn（x（k），w（k））
```
```
[JX（k），JW（k）] = StateJacobianfcn（x（k），w（k），dt）
```
在哪里w (k)是A.问：-过程噪声时刻的元素向量K.．问：是过程噪声的尺寸。与附加过程噪声的情况不同，非资本噪声箱中的过程噪声载体不需要具有与状态向量相同的尺寸。
JW（k）表示这一点m——- - - - - -问：关于过程噪声元素的预测状态的Jacobian，在哪里m是状态的维度。

如果不指定，则在每次调用时通过数值差分计算雅可比矩阵预测函数。这种计算可以增加处理时间和数值误差。

例子:@constaccjac

数据类型：function_handle.

`ProcessNoise`-过程噪声协方差
`(3)`（默认）|积极的真实标量|积极确定的实值矩阵

过程噪声协方差:

当HasaddittyProcessnoise.是真正的，将过程噪声协方差指定为标量或正定实数m——- - - - - -m矩阵。m是状态向量的维数。当指定为标量时，矩阵是m——- - - - - -m身份矩阵。
当HasaddittyProcessnoise.是错误的，将过程噪声协方差指定为a问：——- - - - - -问：矩阵。问：是过程噪声矢量的大小。您必须指定ProcessNoise在任何打电话之前预测对象功能。

例子:[1.0 0.05;0.05 2]

`HasaddittyProcessnoise.`-模型加性过程噪声
`错误的`（默认）

将噪声的选项作为添加剂，指定为添加为真正的或错误的．当这个属性是真正的，在状态向量中加入过程噪声。否则，在状态转移函数中加入噪声。

例子:真正的

`形状`-各组分伽马分布的形状参数
`[1 1]`（默认）|1 -N正实值的行矢量

每个组件的伽马分布形状参数，指定为1乘 -N正实值的行矢量。N是密度中的分量数。

例子:[1.0 0.95 2]

数据类型：单身的|双倍的

`利率`-每个组件的伽马分布速率参数
`[1 1]`（默认）|1 -N正实际价值的行矢量

每个元件的伽马分布的速率参数，指定为一个逐N正实值的行矢量。N是密度中的分量数。

例子:[1.2 0.85 1.5]

数据类型：单身的|双倍的

`gammaforgettingFactors.`-忘记每个组件的伽马分布因素
`[1 1]`（默认）|1 -N正实际价值的行矢量

忘记每个组件的伽玛分布因子，指定为1乘 -N正实值的行矢量。N是密度中的分量数。在预测过程中，对于每个分量，伽马分布参数，形状(α)及费率(β），既忘记因素则除以N：

$\begin{array}{l} {一种}_{K. + 1 | | K.} = \frac{α_{K.}}{N_{K.}} \\ β_{K. + 1 | K.} = \frac{β_{K.}}{N_{K.}} \end{array}$

在哪里K.和K.+1表示连续两个时间步。均值（E.)及方差(var.)的伽马分布为:

$\begin{array}{l} E. = \frac{α}{β} \\ V. 一种 R. = \frac{α}{β^{2}} \end{array}$

因此，除法将保持预期测量率为常数，但增加随时间指数分布的方差，如果遗忘因子N大于1。

例子:[1.2 1.1 1.4]

数据类型：单身的|双倍的

`DegreesOfFreedom`-每个组件的反向愿望分发的自由度参数
`(100 100)`（默认）|1 -N正实际价值的行矢量

每个组件的反向愿望分布的自由度参数，指定为1乘 -N正实值的行矢量。N是密度中的分量数。

例子:[55.2 31.1 20.4]

数据类型：单身的|双倍的

`ScaleMatrices`-每个分量的Inverse-Wishart分布的尺度矩阵
D.——- - - - - -D.——- - - - - -N实值为正的数组

每个组件的verse-wellart分发的缩放矩阵，指定为aD.——- - - - - -D.——- - - - - -N正面实际值阵列。D.是空间的尺寸（例如，D.2-D空间= 2），和N是密度中的分量数。默认值ScaleMatrices是一个3×3×2阵列，其中阵列的每个页面（3×3矩阵）是100 *眼睛（3）．

例子:20 *眼睛（3,3,4）

数据类型：单身的|双倍的

`sententrotationfcn.`-目标程度的旋转过渡功能
`@眼睛(x,变长度输入宗量)(3)`（默认）|功能手柄

目标范围的旋转转换函数，指定为函数手柄。该功能允许在状态向量中估计物体的角速度时，预测目标的旋转程度。要定义自己的范围旋转函数，请按照遵循的语法

R = myRotationFcn (x, dT)

在哪里X是组件状态，DT.是时间步，和R.是相应的旋转矩阵。注意R.如果区段是二维的，则返回2 × 2矩阵，如果区段是三维的，则返回3 × 3矩阵。下一步的扩展由

$E. X （ T. + D. T. ） = R. \times E. X （ T. ） \times {R.}^{T.}$

在哪里前任（T.）是时候的程度T.．

例子:@myrotationfcn.

数据类型：function_handle.

`TemporalDecay`-IW分布的时间衰减因子
`100.`（默认）|正标量

信息流分布的时间衰减系数，用一个正标量表示。您可以使用此属性来控制预测期间的范围不确定性(信息流分布的方差)。越小TemporalDecay值是，IW分布的方差越快。

例子:120.

数据类型：单身的|双倍的

`标签`-混合物中每种成分的标签
`[0 0]`（默认）|1 -N非负整数的行向量

混合物中每一种成分的标签，标明为一加一N非负整数的行矢量。N是密度中的分量数。每个组件只能有一个标签，但多个组件可以共享同一个标签。

例子:[1 2 3]

数据类型：单身的|双倍的

`重量`-混合物中每个组分的重量
`[1 1]`（默认）|1 -N正实际价值的行矢量

密度的每个组分的重量，指定为1-by-N正实值的行矢量。N是密度中的分量数。重量在序列中给出，如图所示标签财产。

例子:[1.1 0.82 1.1]

数据类型：单身的|双倍的

`检测`-检测
K.单元格数组`ObjectDetection.`对象

检测，指定为aK.单元格数组ObjectDetection.对象,K.是检测次数。您可以直接创建检测，或者您可以从传感器对象的输出中获取检测，例如雷达传感器那monostaticRadarSensor那Irsensor.,索诺斯传感器．

数据类型：单身的|双倍的

`MeasurementFCN.`-测量模型功能
`@cvmeas`（默认）|功能手柄

测量模型函数，指定为函数手柄。此函数指定从状态到测量的转换。输入功能的输入是P.有效状态向量。输出是m-element测量向量。该函数可以采取额外的输入参数，例如传感器位置和方向。

如果HasAdditiveMeasurementNoise是真正的，使用以下语法之一指定函数:
```
z（k）= meforialfcn（x（k））
```
```
z（k）= MeasurementFCN（x（k），参数）
```
在哪里x (k)是时刻状态吗K.和Z（k）是相应的测量。这参数参数表示度量函数所需的所有附加参数。
如果HasAdditiveMeasurementNoise是错误的，使用以下语法之一指定函数:
```
z（k）= measurementfcn（x（k），v（k））
```
```
z (k) = measurementfcn (x (k), v (k),参数)
```
在哪里x (k)是时刻状态吗K.和v（k）测量时是否有噪声K.．这参数参数表示度量函数所需的所有附加参数。

例子:@cameas

数据类型：function_handle.

`MeasurementJacobianFcn`-测量函数的雅可比矩阵
`@cvmeasjac`（默认）|功能手柄

测量函数的雅可比矩阵，指定为函数句柄。该函数具有与测量函数相同的输入参数。该功能可以接受额外的输入参数，如传感器的位置和方向。

如果hasadditivemeasurmentnoise.是真正的，使用以下语法之一指定雅可比矩阵函数:
```
JMX（k）= measjacobianfcn（x（k））
```
```
JMX（k）= measjacobianfcn（x（k），参数）
```
在哪里x (k)是时刻状态吗K.．Jmx (k)表示这一点m——- - - - - -P.雅各的测量功能相对于国家。m是测量的尺寸，还有P.是状态的维度。这参数参数表示度量函数所需的所有参数。
如果hasadditivemeasurmentnoise.是错误的，使用以下语法之一指定雅可比矩阵函数:
```
[JMX（k），JMV（k）] = measjacobianfcn（x（k），v（k））
```
```
[JMX（k），JMV（k）] = measjacobianfcn（x（k），v（k），参数）
```
在哪里x (k)是时刻状态吗K.和v（k）是一个R.- 样本噪声向量。Jmx (k)表示这一点m——- - - - - -P.雅各的测量函数相对于状态。JMV（k）的雅可比矩阵m——- - - - - -R.测量功能相对于测量噪声。这参数参数表示度量函数所需的所有参数。

如果没有指定，度量雅可比矩阵在每次调用时使用数值差分计算正确的函数。这种计算可以增加处理时间和数值误差。

例子:@cameasjac.

数据类型：function_handle.

`HasAdditiveMeasurementNoise`-模型加性测量噪声
`错误的`（默认）

选择模型测量噪声作为添加剂，指定为真正的或错误的．当这个属性是真正的，在状态向量中加入测量噪声。否则，噪声将被纳入测量函数。

例子:真正的

`MaxnumDetections.`-最大检测次数
`100.`（默认）|正整数

最大检测次数GGIWphd.过滤器可以作为输入，指定为一个正整数。

例子:50.

数据类型：单身的|双倍的

`maxnumcomponents`-最大组件数
`1000`（默认）|正整数

组件的最大数量GGIWphd.过滤器可以维护，指定为正整数。

数据类型：单身的|双倍的

对象功能

`附加`	添加两个`博士`过滤器对象
`正确的`	正确的`博士`筛选与检测
`correctUndetected`	正确的`博士`过滤没有检测假设
`提取物`	提取目标状态估计`博士`过滤器
`标签密度`	保持组件具有给定的标签ID
`可能性`	在密度中检测单元和组件之间的关联之间的日志似然
`合并`	合并密度的组件`博士`过滤器
`预测`	预测phd滤波器的概率假设密度
`修剪`	通过删除所选组件来修剪过滤器
`规模`	在密度中称量组件的重量
`克隆`	创建重复的`博士`过滤器对象

例子

全部折叠

创建带有两个3d组件的ggiwphd过滤器

打开生活的脚本

创造A.GGIWphd.过滤有两个3-D恒速分量。两个组分的初始状态分别是[0; 0; 0; 0; 0; 0]和[1; 0; 1; 0; 1; 0]。这两个组件都具有等于1的位置协方差和等于100的速度协方差。默认情况下，GGIWphd.为每个组件创建三维范围矩阵。

= [零（6,1），[1; 0; 1; 0; 1; 0]];cov1 = diag（[1 100 1 100 1 100]）;covariarces = cat（3，cov1，cov1）;PHD = GGIWPHD（州，CoviRARCE，“StateTransitionFcn”，@ constvel，......'stateTransitionJacobianfcn'，@ constveljac，......'measurementfcn'，@ cvmeas，'measurementjacobianfcn'@cvmeasjac,......'processnoise'，眼睛（3），“HasAdditiveProcessNoise”假的,......'positionIndex', 1, 3, 5);

指定区段信息。

DOFS = [21 30];scalematrix1 = 13 * diag（[4.7 1.8 1.4]。^ 2）;scalematrix2 = 22 * diag（[1.8 4.7 1.4]。^ 2）;scalematrices = cat（3，scalematrix1，scalematrix2）;phd.degreesoffreedom = DOF;phd.scalematrices = scalematrices;phd.extentrotationfcn = @（x，dt）眼睛（3）;预测期间没有旋转

预测过滤器0.1秒。

预测(博士,0.1);

指定检测时间为0.1秒。过滤器在当前扫描中接收10个检测。

检测=细胞（10,1）;RNG（2018）;％可重复结果为了i = 1:10 detections{i} = objectDetection(0.1,randi([0 1]) + randn(3,1));结尾phd.detections =检测;

选择两个检测单元并计算其可能性。

detectionIDs = false (10, 2);detectionIDs([1 3 5 7 9]，1) = true;detectionIDs([2 4 6 8 10]，2) = true;detectionIDs lhood =可能性(博士)

lhood =2×21.5575 -0.3183 0.1513 -0.7616

用两个检测单元和相关的可能性校正滤波器。

正确（PHD，DetectionIds，Exp（矩）./总和（exp（lohe），1））;博士

博士= ggiwphd属性:状态:[6 x4双]StateCovariances: [6 x6x4双]PositionIndex: x1双[3]StateTransitionFcn: @constvel StateTransitionJacobianFcn: @constveljac ProcessNoise: [3 x3双]HasAdditiveProcessNoise: 0形状:[6 6 6 6]:[2 2 2 2]GammaForgettingFactors: [1 1 1 1] DegreesOfFreedom:[25.9870 34.9780 25.9870 34.9780] ScaleMatrices: [3x3x4 double] ExtentRotationFcn: @(x,dT)eye(3) TemporalDecay: 100 Weights:[0.8032 0.1968 0.6090 0.3910]标签:[0 00 0]检测:{1x10 cell}测量fcn: @cvmeas测量jacobianfcn: @cvmeasjac HasAdditiveMeasurementNoise: 1

合并过滤器中的组件。

合并（博士，5）;博士

@constveljac ProcessNoise: [3x3 double] HasAdditiveProcessNoise: 0 Shapes: [6 6.0000] Rates: [2 2] gammaforgeingfactors: [1 1] degreesoff自由度:[25.9870 34.9780] ScaleMatrices: [3x3x2 double] ExtentRotationFcn: @(x,dT)eye(3) TemporalDecay: 100 Weights:[1.4122 0.5878]标签:[0 0]检测:{1x10 cell}测量fcn: @cvmeas测量jacobianfcn: @cvmeasjac HasAdditiveMeasurementNoise: 1

提取状态估计和检测。

targetstates =提取物（phd，0.5）;tstates = targetstates.state.state.

tStates =6×10.1947 0.9733 0.8319 4.1599 -0.0124 -0.0621

d = [检测{：}];测量= [d.measurement];

可视化结果。

图()plot3(测量(1:),测量(2:),测量(3:)“x”那“MarkerSize”10，“MarkerEdgeColor”那'B'）;持有在;: plot3 (tStates (1), tStates (3:), tStates (5:)'ro'）;Xlabel（“x”) ylabel (“y”) zlabel (“z”） 传奇（“检测”那“组件”）

图中包含一个轴。坐标轴包含两个line类型的对象。这些对象表示检测、组件。

参考文献

[1] Granstorm，K.和O. Orguner。“使用随机矩阵跟踪多个扩展目标的PHD滤波器。”IEEE信号处理汇刊。卷。60，数字11,2012，pp。5657-5671。

[2] Granstorm, K.和A. Natale, P. Braca, G. Ludeno和F. Serafino。利用x波段海上雷达数据进行扩展目标跟踪的伽玛高斯逆Wishart概率假设密度地质科学和遥感的IEEE交易。卷。53，第12,2015，第6610页，第6617-6631。

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

代码生成配置必须允许递归使用合并方法。

也可以看看

Gmphd.|分区|Trackerphd.|trackingSensorConfiguration

在R2019A介绍

GGIWphd.

描述

创建

句法

描述

特性

`状态`-过滤器中每个组件的状态
P.——- - - - - -N矩阵

`StateCoverces.`-滤波器中各分量的状态估计误差协方差
P.——- - - - - -P.——- - - - - -N数组

`positionIndex.`-州地位坐标的指数
`[1 3 5]`|正整数的行矢量

`StateTransitionFCN.`-状态转移函数
`@constvel.`（默认）|功能手柄

`StateTransitionJacobianFcn`-雅各比奥的状态转换功能
@constveljac（默认）|功能手柄

`ProcessNoise`-过程噪声协方差
`(3)`（默认）|积极的真实标量|积极确定的实值矩阵

`HasaddittyProcessnoise.`-模型加性过程噪声
`错误的`（默认）

`形状`-各组分伽马分布的形状参数
`[1 1]`（默认）|1 -N正实值的行矢量

`利率`-每个组件的伽马分布速率参数
`[1 1]`（默认）|1 -N正实际价值的行矢量

`gammaforgettingFactors.`-忘记每个组件的伽马分布因素
`[1 1]`（默认）|1 -N正实际价值的行矢量

`DegreesOfFreedom`-每个组件的反向愿望分发的自由度参数
`(100 100)`（默认）|1 -N正实际价值的行矢量

`ScaleMatrices`-每个分量的Inverse-Wishart分布的尺度矩阵
D.——- - - - - -D.——- - - - - -N实值为正的数组

`sententrotationfcn.`-目标程度的旋转过渡功能
`@眼睛(x,变长度输入宗量)(3)`（默认）|功能手柄

`TemporalDecay`-IW分布的时间衰减因子
`100.`（默认）|正标量

`标签`-混合物中每种成分的标签
`[0 0]`（默认）|1 -N非负整数的行向量

`重量`-混合物中每个组分的重量
`[1 1]`（默认）|1 -N正实际价值的行矢量

`检测`-检测
K.单元格数组`ObjectDetection.`对象

`MeasurementFCN.`-测量模型功能
`@cvmeas`（默认）|功能手柄

`MeasurementJacobianFcn`-测量函数的雅可比矩阵
`@cvmeasjac`（默认）|功能手柄

`HasAdditiveMeasurementNoise`-模型加性测量噪声
`错误的`（默认）

`MaxnumDetections.`-最大检测次数
`100.`（默认）|正整数

`maxnumcomponents`-最大组件数
`1000`（默认）|正整数

对象功能

例子

创建带有两个3d组件的ggiwphd过滤器

参考文献

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

也可以看看

传感器融合和跟踪工具箱文档

金宝app

自治系统传感器融合和跟踪

GGIWphd.

描述

创建

句法

描述

特性

状态-过滤器中每个组件的状态P.——- - - - - -N矩阵

StateCoverces.-滤波器中各分量的状态估计误差协方差P.——- - - - - -P.——- - - - - -N数组

positionIndex.-州地位坐标的指数[1 3 5]|正整数的行矢量

StateTransitionFCN.-状态转移函数@constvel.（默认）|功能手柄

StateTransitionJacobianFcn-雅各比奥的状态转换功能@constveljac（默认）|功能手柄

ProcessNoise-过程噪声协方差(3)（默认）|积极的真实标量|积极确定的实值矩阵

HasaddittyProcessnoise.-模型加性过程噪声错误的（默认）

形状-各组分伽马分布的形状参数[1 1]（默认）|1 -N正实值的行矢量

利率-每个组件的伽马分布速率参数[1 1]（默认）|1 -N正实际价值的行矢量

gammaforgettingFactors.-忘记每个组件的伽马分布因素[1 1]（默认）|1 -N正实际价值的行矢量

DegreesOfFreedom-每个组件的反向愿望分发的自由度参数(100 100)（默认）|1 -N正实际价值的行矢量

ScaleMatrices-每个分量的Inverse-Wishart分布的尺度矩阵D.——- - - - - -D.——- - - - - -N实值为正的数组

sententrotationfcn.-目标程度的旋转过渡功能@眼睛(x,变长度输入宗量)(3)（默认）|功能手柄

TemporalDecay-IW分布的时间衰减因子100.（默认）|正标量

标签-混合物中每种成分的标签[0 0]（默认）|1 -N非负整数的行向量

重量-混合物中每个组分的重量[1 1]（默认）|1 -N正实际价值的行矢量

检测-检测K.单元格数组ObjectDetection.对象

MeasurementFCN.-测量模型功能@cvmeas（默认）|功能手柄

MeasurementJacobianFcn-测量函数的雅可比矩阵@cvmeasjac（默认）|功能手柄

HasAdditiveMeasurementNoise-模型加性测量噪声错误的（默认）

MaxnumDetections.-最大检测次数100.（默认）|正整数

maxnumcomponents-最大组件数1000（默认）|正整数

对象功能

例子

创建带有两个3d组件的ggiwphd过滤器

参考文献

扩展能力

C / C ++代码生成使用MATLAB®Coder™生成C和c++代码。

也可以看看

传感器融合和跟踪工具箱文档

金宝app

自治系统传感器融合和跟踪

`状态`-过滤器中每个组件的状态
P.——- - - - - -N矩阵

`StateCoverces.`-滤波器中各分量的状态估计误差协方差
P.——- - - - - -P.——- - - - - -N数组

`positionIndex.`-州地位坐标的指数
`[1 3 5]`|正整数的行矢量

`StateTransitionFCN.`-状态转移函数
`@constvel.`（默认）|功能手柄

`StateTransitionJacobianFcn`-雅各比奥的状态转换功能
@constveljac（默认）|功能手柄

`ProcessNoise`-过程噪声协方差
`(3)`（默认）|积极的真实标量|积极确定的实值矩阵

`HasaddittyProcessnoise.`-模型加性过程噪声
`错误的`（默认）

`形状`-各组分伽马分布的形状参数
`[1 1]`（默认）|1 -N正实值的行矢量

`利率`-每个组件的伽马分布速率参数
`[1 1]`（默认）|1 -N正实际价值的行矢量

`gammaforgettingFactors.`-忘记每个组件的伽马分布因素
`[1 1]`（默认）|1 -N正实际价值的行矢量

`DegreesOfFreedom`-每个组件的反向愿望分发的自由度参数
`(100 100)`（默认）|1 -N正实际价值的行矢量

`ScaleMatrices`-每个分量的Inverse-Wishart分布的尺度矩阵
D.——- - - - - -D.——- - - - - -N实值为正的数组

`sententrotationfcn.`-目标程度的旋转过渡功能
`@眼睛(x,变长度输入宗量)(3)`（默认）|功能手柄

`TemporalDecay`-IW分布的时间衰减因子
`100.`（默认）|正标量

`标签`-混合物中每种成分的标签
`[0 0]`（默认）|1 -N非负整数的行向量

`重量`-混合物中每个组分的重量
`[1 1]`（默认）|1 -N正实际价值的行矢量

`检测`-检测
K.单元格数组`ObjectDetection.`对象

`MeasurementFCN.`-测量模型功能
`@cvmeas`（默认）|功能手柄

`MeasurementJacobianFcn`-测量函数的雅可比矩阵
`@cvmeasjac`（默认）|功能手柄

`HasAdditiveMeasurementNoise`-模型加性测量噪声
`错误的`（默认）

`MaxnumDetections.`-最大检测次数
`100.`（默认）|正整数

`maxnumcomponents`-最大组件数
`1000`（默认）|正整数

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。