trackingUKF
无味卡尔曼滤波跟踪对象
描述
的trackingUKF
对象是一个离散时间无味卡尔曼滤波器用来跟踪的位置和速度目标和对象。
无味卡尔曼滤波是一种递归算法估算的进化状态过程测量时的过程。无味卡尔曼滤波模型的进化可以遵循一个非线性运动模型。也可以测量非线性函数的状态,和过程和测量噪声。
使用一个无味卡尔曼滤波时应用这两个条件之一:
当前状态是一个非线性函数之前的状态。
国家的测量是非线性函数。
无味卡尔曼滤波估计的不确定性,及其传播通过非线性状态和测量方程,通过使用一个固定数量的σ点。σ点选择使用无味转换、参数化的α
,β
,卡巴
属性。
创建
描述
过滤器= trackingUKF
将创建一个无味卡尔曼滤波对象离散时间系统通过使用默认值StateTransitionFcn
,MeasurementFcn
,状态
属性。这个过程和测量噪声是假定为添加剂。
指定了状态转换函数,过滤器
= trackingUKF (transitionfcn
,measurementfcn
,状态
)transitionfcn
,测量功能,measurementfcn
系统的初始状态,状态
。
配置的属性对象使用一个或多个无味卡尔曼滤波器过滤器
= trackingUKF (___,名称,值
)名称,值
对参数和任何以前的语法。任何未指定的属性有默认值。
属性
对象的功能
例子
更多关于
算法
无味卡尔曼滤波估计的状态过程由一个非线性随机方程
在哪里xk状态的步骤吗k。f ()是状态转换函数,uk是控制过程。运动可能会受到随机噪声扰动的影响,wk。过滤器还支持一个简化的形式,金宝app
使用简化的形式,集HasAdditiveProcessNoise
来真正的
。
无味卡尔曼滤波的测量也一般函数的状态,
在哪里h (x)k,vk,t)是测量函数,决定了测量的功能状态。典型的测量位置和速度或某个函数。可以包括测量噪声,为代表vk。类提供了一个简单的配方
使用简化的形式,集HasAdditiveMeasurmentNoise
来真正的
。
这些方程表示的实际运动对象和实际测量。然而,噪声贡献每一步是未知的,无法准确建模。只知道噪声的统计特性。
引用
[1]布朗R.G. P.Y.C.王。介绍了随机信号分析和应用卡尔曼滤波。第3版。纽约:约翰·威利& Sons, 1997。
[2]卡尔曼,r . e .“线性滤波和预测问题的新方法。”交易ASME-Journal的基础工程。D系列卷。82年,1960年3月,35 - 45页。
[3],凡德尔莫维埃里克·a .和r。“非线性的无味卡尔曼滤波器估计”。自适应信号处理系统、通信和控制。AS-SPCC、IEEE 2000,与158。
[4]Wan,山鸟。“无味卡尔曼滤波器。“在卡尔曼滤波和神经网络。编辑西蒙微积分。约翰•威利& Sons Inc ., 2001年。
[5]Sarkka美国“递归贝叶斯推理的随机微分方程。“博士论文。芬兰赫尔辛基理工大学,2006。
[6]Blackman,撒母耳。多个目标与雷达跟踪应用程序。Artech房子,1986。
扩展功能
另请参阅
功能
constacc
|constaccjac
|cameas
|cameasjac
|constturn
|constturnjac
|ctmeas
|ctmeasjac
|constvel
|constveljac
|cvmeas
|cvmeasjac
|initcaukf
|initcvukf
|initctukf