滤波器算法(1)-卡尔曼滤波小车附带题目与MATLAB程序
1 简介
由卡尔曼这个学者提出的最佳线性滤波器,单纯时域维度即可实现【无需进行频域变换】
2 思路
由上一时刻的最佳估计值XKE_P预测①当前时刻预测值Pxv 与 ②当前时刻的测量值Mxv 进行联立计算获得当 ③前时刻的最佳估计值XKE
3 核心
4 Matlab实例
4.1 题目【老师留的课堂作业】
研一的时候做过一次,当时没有总结;最近师弟们在写这个作业花时间重新弄了一遍,做了一次总结
4.2 源代码
不带BU参数
version9_release.m
%% 卡尔曼滤波的发布版本程序
%% 时间:2019.12.05
%% 版本:v9
%% 特性:单参处理【防止多维度计算混乱】
%% TODO:引入多参数进一步优化算法 %% 数据读取
% MDistance=importdata('RoverMeasurementData.txt');
Mxv=importdata('data3.mat'); % 笛卡尔坐标系,测量值
Txv=importdata('RoverTrueStates.txt'); % 真实值
len=size(Mxv,1); %% 参数设置
q=0.010000 ; R=0.500000; Q=[1 0;0 1].*q; %% 正式处理
XKE=zeros(4,len);
for i=1:len
xv = func_kalmanFilter_singleVal(Mxv(i,1),Q,R,i);
XKE(1,i)=xv(1);
XKE(3,i)=xv(2);
end for i=1:len
xv = func_kalmanFilter_singleVal(Mxv(i,2),Q,R,i);
XKE(2,i)=xv(1);
XKE(4,i)=xv(2);
end %% 图谱显示
figure(1);
plot(Txv(1,:),Txv(2,:),'r-*','markersize',8),hold on;
plot(XKE(1,:),XKE(2,:),'b-s','markersize',8),hold on;
plot(Mxv(:,1),Mxv(:,2),'g-v','markersize',8),hold on;
xlabel('位置x');
ylabel('位置y');
legend({'真实值','估计值','测量值'},'Location','northwest');%
set(gca,'FontSize',25); figure(2);
sub_XKE=sqrt((XKE(1,:)-Txv(1,:)).^2+(XKE(2,:)-Txv(2,:)).^2);
sub_Mxv=sqrt((Mxv(:,1)'-Txv(1,:)).^2+(Mxv(:,2)'-Txv(2,:)).^2);
plot(sub_XKE,'b-s','markersize',8),hold on;
plot(sub_Mxv,'g-v','markersize',8),hold on;
xlabel('时间t');
ylabel('与真实值的距离均方差d');
legend({'估计值误差','测量值误差'},'Location','northwest');%
set(gca,'FontSize',25);
% print -djpeg -r600 不带BU位置点;
% print -djpeg -r600 不带BU方差值;
version10_release.m
%% 卡尔曼滤波的发布版本程序
%% 时间:2019.12.05
%% 版本:v9
%% 特性:单参处理【防止多维度计算混乱】
%% TODO:引入多参数进一步优化算法 %% 数据读取
% MDistance=importdata('RoverMeasurementData.txt');
Mxv=importdata('data3.mat'); % 笛卡尔坐标系,测量值
Txv=importdata('RoverTrueStates.txt'); % 真实值 %% 参数设置
MCN=20;
d_range1=0.01;
d_range2=0.01; q=0:d_range1:1;
R=0:d_range2:0.5; len1=size(q,2);
len2=size(R,2); Q=[1 0;0 1]; %% 正式处理
sub_map=zeros(1,len1*len2);
len=len1*len2;
tic;
t1=toc;
% for k=1:len
parfor k=1:len
i=mod(k-1,len1)+1; %行号
j=floor((k-1)/len1)+1; %列号
sub_map(k)=func_kalmanFilter_doubleVal(Mxv,Txv, Q.*q(1,i), R(1,j), MCN);
fprintf('run is going on k=%d,index=(%d, %d)\n',k,i,j);
end
t2=toc;
fprintf('耗时t=%f\n',(t2-t1)); %% 获取当前最优解
sub_min=min(sub_map);
k=find(sub_map==sub_min);
i=mod(k-1,len1)+1; %行号
j=floor((k-1)/len1)+1; %列号
Eq=q(1,i);
ER=R(1,j);
fprintf('当前最优解 q=%f ; R=%f ,sub=%f\n',Eq,ER,sub_min); %% 显示图谱
sub_map=reshape(sub_map,len1,len2);
[X,Y]= meshgrid(q,R);
figure(1); mesh(X',Y',sub_map);
xlabel('Q预测模型噪声');
ylabel('R观测噪声'); %% 最优数值解1
% q=0.017;
% R=3.6;
% sub=32.0530; % 当前最优解 q=0.010000 ; R=0.500000 ,sub=44.573339
带BU参数
version11_release.m
%% 卡尔曼滤波的发布版本程序
%% 时间:2019.12.05
%% 版本:v11
%% 特性:引入加速度参与计算
%% TODO:引入多参数进一步优化算法 %% 数据读取
% MDistance=importdata('RoverMeasurementData.txt');
Mxv=importdata('data3.mat'); % 笛卡尔坐标系,测量值
Txv=importdata('RoverTrueStates.txt'); % 真实值
len=size(Mxv,1); %% 参数设置
% q=0.006000;
% R=1.270000 ;
% q=0.006000 ; R=0.010000 ;
% q=0.030000 ; R=0.050000 ;
% q=0.030000 ; R=0.050000;
q=0.040000 ; R=0.050000;
Q=[1 0;0 1].*q; %% 正式处理
XKE=zeros(4,len);
for i=1:len
xv = func_kalmanFilter_singleVal_withBU(Mxv(i,1),Q,R,i);
XKE(1,i)=xv(1);
XKE(3,i)=xv(2);
end for i=1:len
xv = func_kalmanFilter_singleVal_withBU(Mxv(i,2),Q,R,i);
XKE(2,i)=xv(1);
XKE(4,i)=xv(2);
end %% 图谱显示
figure(1);
plot(Txv(1,:),Txv(2,:),'r-*','markersize',8),hold on;
plot(XKE(1,:),XKE(2,:),'b-s','markersize',8),hold on;
plot(Mxv(:,1),Mxv(:,2),'g-v','markersize',8),hold on;
xlabel('位置x');
ylabel('位置y');
legend({'真实值','估计值','测量值'},'Location','northwest');%
set(gca,'FontSize',25); figure(2);
sub_XKE=sqrt((XKE(1,:)-Txv(1,:)).^2+(XKE(2,:)-Txv(2,:)).^2);
sub_Mxv=sqrt((Mxv(:,1)'-Txv(1,:)).^2+(Mxv(:,2)'-Txv(2,:)).^2);
plot(sub_XKE,'b-s','markersize',8),hold on;
plot(sub_Mxv,'g-v','markersize',8),hold on;
xlabel('时间t');
ylabel('与真实值的距离均方差d');
legend({'估计值误差','测量值误差'},'Location','northwest');%
set(gca,'FontSize',25);
% print -djpeg -r600 带BU位置点;
% print -djpeg -r600 带BU方差值;
version12_release.m
%% 卡尔曼滤波的发布版本程序
%% 时间:2019.12.05
%% 版本:v9
%% 特性:单参处理【防止多维度计算混乱】
%% TODO:引入多参数进一步优化算法 %% 数据读取
% MDistance=importdata('RoverMeasurementData.txt');
Mxv=importdata('data3.mat'); % 笛卡尔坐标系,测量值
Txv=importdata('RoverTrueStates.txt'); % 真实值 %% 参数设置
MCN=20;
d_range1=0.01;
d_range2=0.01; q=0:d_range1:1;
R=0:d_range2:0.5; len1=size(q,2);
len2=size(R,2); Q=[1 0;0 1]; %% 正式处理
sub_map=zeros(1,len1*len2);
len=len1*len2;
tic;
t1=toc;
% for k=1:len
parfor k=1:len
i=mod(k-1,len1)+1; %行号
j=floor((k-1)/len1)+1; %列号
sub_map(k)=func_kalmanFilter_doubleVal_withBU(Mxv,Txv, Q.*q(1,i), R(1,j), MCN);
fprintf('run is going on k=%d,index=(%d, %d)\n',k,i,j);
end
t2=toc;
fprintf('耗时t=%f\n',(t2-t1)); %% 获取当前最优解
sub_min=min(sub_map);
k=find(sub_map==sub_min);
i=mod(k-1,len1)+1; %行号
j=floor((k-1)/len1)+1; %列号
Eq=q(1,i);
ER=R(1,j);
fprintf('当前最优解 q=%f ; R=%f ,sub=%f\n',Eq,ER,sub_min); %% 显示图谱
sub_map=reshape(sub_map,len1,len2);
[X,Y]= meshgrid(q,R);
figure(1); mesh(X',Y',sub_map);
xlabel('Q预测模型噪声');
ylabel('R观测噪声'); %% 最优数值解1
% q=0.017;
% R=3.6;
% sub=32.0530; % 当前最优解 q=0.040000 ; R=0.050000 ,sub=57.511923
func_kalmanFilter_doubleVal
%% 参数比较数据Q、R的数据比较 function [sub_mean] = func_kalmanFilter_doubleVal(Mxv,Txv, Q, R, MCN) sub_cell=zeros(1,MCN);
len=size(Mxv,1);
XKE=zeros(4,len);
for iRun=1:MCN %% 处理数据
for i=1:len
xv = func_kalmanFilter_singleVal(Mxv(i,1),Q,R,i);
XKE(1,i)=xv(1);
XKE(3,i)=xv(2);
end for i=1:len
xv = func_kalmanFilter_singleVal(Mxv(i,2),Q,R,i);
XKE(2,i)=xv(1);
XKE(4,i)=xv(2);
end %% 计算均方差和
sub=sqrt((XKE(1,end-50:end)-Txv(1,end-50:end)).^2+(XKE(2,end-50:end)-Txv(2,end-50:end)).^2);
sub_cell(1,iRun)=sum(sub);
end
sub_mean=mean(sub_cell); end
func_kalmanFilter_singleVal
%% 单参卡尔曼滤波函数 function [XKE] = func_kalmanFilter_singleVal(Z,Q,R,iLoop)
%FUNC_KALMANFILTER_ 此处显示有关此函数的摘要
% 此处显示详细说明
persistent X;
persistent P;
persistent F;
persistent H;
if iLoop==1
X=[0;0];
P=[1 0;0 1];
F=[1 1;0 1];
H=[1 0];
end X_=F*X;
P_=F*P*F'+Q;
K=P_*H'/(H*P_*H'+R);
X=X_+K*(Z-H*X_);
P=(eye(2)-K*H)*P_;
XKE=X;
end
func_kalmanFilter_doubleVal_withBU
%% 参数比较数据Q、R的数据比较 function [sub_mean] = func_kalmanFilter_doubleVal_withBU(Mxv,Txv, Q, R, MCN) sub_cell=zeros(1,MCN);
len=size(Mxv,1);
XKE=zeros(4,len);
for iRun=1:MCN %% 处理数据
for i=1:len
xv = func_kalmanFilter_singleVal_withBU(Mxv(i,1),Q,R,i);
XKE(1,i)=xv(1);
XKE(3,i)=xv(2);
end for i=1:len
xv = func_kalmanFilter_singleVal_withBU(Mxv(i,2),Q,R,i);
XKE(2,i)=xv(1);
XKE(4,i)=xv(2);
end %% 计算均方差和
sub=sqrt((XKE(1,end-50:end)-Txv(1,end-50:end)).^2+(XKE(2,end-50:end)-Txv(2,end-50:end)).^2);
sub_cell(1,iRun)=sum(sub);
end
sub_mean=mean(sub_cell); end
func_kalmanFilter_singleVal_withBU
%% 带加速度参数的卡尔曼滤波器 function [XKE] = func_kalmanFilter_singleVal_withBU(Z,Q,R,iLoop)
%FUNC_KALMANFILTER_SINGLEVAL_WITHBU 此处显示有关此函数的摘要
% 此处显示详细说明
persistent X; % 位置与速度
persistent U; % 加速度
persistent P; % 协方差矩阵
persistent F; % 状态转移矩阵
persistent B; % 状态控制矩阵
persistent H; % 观测矩阵
if iLoop==1
X=[0;0];
U=0;
P=[1 0;0 1];
F=[1 1;0 1];
B=[1./2;1];
H=[1 0];
end X_=F*X+B*U; % ① 状态预测公式
P_=F*P*F'+Q; % ② 噪声协方差传递
K=P_*H'/(H*P_*H'+R); % ③ 卡尔曼系数计算
XK=X;%暂存前一时刻数据
X=X_+K*(Z-H*X_); % ④ 计算最优估计值
P=(eye(2)-K*H)*P_; % ⑤ 噪声协方差矩阵更新
U=X(2,1)-XK(2,1);
XKE=X; end
4.3 结果显示
不带控制参数的位置点数据图谱:
不带控制参数的方差值图谱:
带控制参数的位置点数据图谱:
带控制参数的方差值图谱:
5 总结
性能确实还可以的,里面的难点在于各个矩阵运算以及Q、R参数的设定,这里我是使用随机参数法,广撒网多次蒙特卡洛仿真求均值,最后在这些参数中选择最优的那个解为我的模型参数。
6 相关链接
开源代码:
链接:https://pan.baidu.com/s/1fUM0VmPVabqKv89WUyZmng 提取码:x3zv
参考链接:
https://www.jianshu.com/p/f6ce8943560c?from=singlemessage
https://www.youtube.com/watch?v=2-lu3GNbXM8
滤波器算法(1)-卡尔曼滤波小车附带题目与MATLAB程序的更多相关文章
- 链表算法题二,还原题目,用debug调试搞懂每一道题
文章简述 大家好,本篇是个人的第4篇文章. 承接第3篇文章<开启算法之路,还原题目,用debug调试搞懂每一道题>,本篇文章继续分享关于链表的算法题目. 本篇文章共有5道题目 一,反转链表 ...
- GMM算法的matlab程序
GMM算法的matlab程序 在“GMM算法的matlab程序(初步)”这篇文章中已经用matlab程序对iris数据库进行简单的实现,下面的程序最终的目的是求准确度. 作者:凯鲁嘎吉 - 博客园 h ...
- GMM算法的matlab程序(初步)
GMM算法的matlab程序 在https://www.cnblogs.com/kailugaji/p/9648508.html文章中已经介绍了GMM算法,现在用matlab程序实现它. 作者:凯鲁嘎 ...
- KFCM算法的matlab程序(用FCM初始化聚类中心)
KFCM算法的matlab程序(用FCM初始化聚类中心) 在“聚类——KFCM”这篇文章中已经介绍了KFCM算法,现在用matlab程序对iris数据库进行实现,用FCM初始化聚类中心,并求其准确度与 ...
- KFCM算法的matlab程序
KFCM算法的matlab程序 在“聚类——KFCM”这篇文章中已经介绍了KFCM算法,现在用matlab程序对iris数据库进行简单的实现,并求其准确度. 作者:凯鲁嘎吉 - 博客园 http:// ...
- FCM算法的matlab程序2
FCM算法的matlab程序2 在“FCM算法的matlab程序”这篇文章中已经用matlab程序对iris数据库进行实现,并求解准确度.下面的程序是另一种方法,是最常用的方法:先初始化聚类中心,在进 ...
- FCM算法的matlab程序
FCM算法的matlab程序 在“FCM算法的matlab程序(初步)”这篇文章中已经用matlab程序对iris数据库进行简单的实现,下面的程序最终的目的是求准确度. 作者:凯鲁嘎吉 - 博客园 h ...
- K-means算法的matlab程序
K-means算法的matlab程序 在“K-means算法的matlab程序(初步)”这篇文章中已经用matlab程序对iris数据库进行简单的实现,下面的程序最终的目的是求准确度. 作者:凯鲁嘎吉 ...
- FCM算法的matlab程序(初步)
FCM算法的matlab程序 在https://www.cnblogs.com/kailugaji/p/9648430.html文章中已经介绍了FCM算法,现在用matlab程序实现它. 作者:凯鲁嘎 ...
随机推荐
- Ubuntu16.04下升级Python到3.6.5
本文链接:https://blog.csdn.net/chaiyu2002/article/details/82698376原帖存于IT老兵博客.Ubuntu16.04下升级Python到3.6.5 ...
- 阿里云ECS,Ubuntu Server 16.04安装图形界面远程控制
最近阿里云有新用户免费体验6个月的活动,虽说是免费体验,但是还是要买个它们的产品才行,我就花9.9买了个最便宜的,然后就获得了一个乞丐版的ECS服务器,配置是1核内存1G.系统装的是Ubuntu Se ...
- 借助中间件优化代码 将请求RequestId在服务端接收到请求在处理业务逻辑之前生成
将请求RequestId在服务端接收到请求在处理业务逻辑之前生成
- Tomcat connection & session timeout settings
# connection timeout for globle web application cat /home/soft/apache-tomcat-7.0.92/conf/server.xml ...
- Andorid SQLite数据库开发基础教程(3)
Andorid SQLite数据库开发基础教程(3) 数据库生成方式 数据库的生成有两种方式,一种是使用数据库管理工具生成的数据库,我们将此类数据库称为预设数据库,另一种是使用代码生成的数据库. 使用 ...
- Dart集合
/* List里面常用的属性和方法: 常用属性: length 长度 reversed 翻转 isEmpty 是否为空 isNotEmpty 是否不为空 常用方法: add 增加 addAll 拼接数 ...
- C++11 学习笔记 std::function和bind绑定器
C++11 学习笔记 std::function和bind绑定器 一.std::function C++中的可调用对象虽然具有比较统一操作形式(除了类成员指针之外,都是后面加括号进行调用),但定义方法 ...
- [译]在Pandas的Dataframe中删除行、列
导入模块 import pandas as pd 创建dataframe data = {'name': ['Jason', 'Molly', 'Tina', 'Jake', 'Amy'], 'yea ...
- 图片缩放——利用layui的滑块
@layui官网文档.@参考博客 参考博客中能实现,但是效果差强人意,在前辈的基础上进行了改造,并支持了动态多图列表 <%@ page language="java" con ...
- Python - Django - ORM 聚合查询和分组查询
models.py: from django.db import models # 出版社 class Publisher(models.Model): id = models.AutoField(p ...