慣性導航時常用到arma建模和卡爾曼濾波,最近兩天準備科普一下。x
n=−(
a1x
n−1+
a2x
n−2+
....
+apx
n−p)+ξ
n+b1
ξ n−
1+b2
ξ n−
2+..
..+b
q ξ
n−q
自回歸模型ar(p),p=
1 ,建立漂移一階歸模型ar(1)模型: x
n=−a
1x n
−1+ξ
n在matlab中可以使用ar()函式,讀者可以help一下即可。
ar(1)模型描述誤差訊號後,可以將其改為狀態空間模型和輸入輸出模型: x
k=φx
n−1+w k
−1 z
k=hx k+
v k
其中w
k−1和
v k 為零均值白雜訊序列
進行卡爾曼濾波,我們需要知道系統模型雜訊方差陣,量測雜訊方差陣,以及初始值,看文獻得,經過ar(1)模型擬合後的漂移訊號的協方差為系統雜訊協方差陣,實測資料作為觀測量,其協方差為測量雜訊的正定方差陣。另外,原始測量值均方根值的1/10作為初始誤差方差陣。以後即可進行卡爾曼濾波,有關卡爾曼濾波公式不再贅述。
所得結果如下所示:
卡爾曼 卡爾曼濾波 1
今天主要介紹一下卡爾曼濾波器,所謂卡爾曼濾波器其實是一種最優化遞迴數字處理演算法 optimal recursive data processing algorithm 卡爾曼濾波器應用 既然我們有了測量儀器,這些測量儀器可以目標給出準確測量值。還需要卡爾曼濾波器進行估計嗎?下面解釋一下為什麼需要卡...
卡爾曼 基礎卡爾曼濾波
卡爾曼濾波器是一種基礎 定位演算法。原理非常簡單易懂。核心過程可以用乙個圖說明 本質上就是這兩個狀態過程的迭代,來逐步的準確定位。更新 更具感測器獲取到比較準確的位置資訊後來更新當前的 問位置,也就是糾正 的錯誤。你可能要問為什麼有感測器的資料了還要進行更新?因為在現實世界中感測器是存在很多雜訊干擾...
卡爾曼濾波
卡爾曼濾波演算法 首先引入乙個離散控制過程的系統,用乙個線性隨機微分方程來描述 x k a x k 1 b u k w k 系統的測量值 z k h x k v k x k 是k時刻的系統狀態,u k 是k時刻對系統的控制量。a和b是系統引數,對於多模型系統,他們為矩陣。z k 是k時刻的測量值,h...