卡尔曼

gaoxings

卡尔曼
' m, k9 g, [2 q% F
- C" C7 K, G: Z. oclear clc;
1 x8 z2 k" b% ZN=600;%采样点的个数  
CON=25;%室内温度的理论值
9 L9 c) x. X% W; B/ b9 U: R4 Qx=zeros(1,N);%用来记录温度的最优化估算值  
, V' H2 W. H0 U$ _2 h' my=randn(1,N)+CON;%温度计的观测值，其中叠加了噪声
3 n8 H( ^/ \& D1 _7 @x(1)=20;%为x(k)赋初值
p(1)=2;%x(1)对应的协方差
Q=cov(randn(1,N));%过程噪声的协方差
R=cov(randn(1,N));%测量噪声的协方差
+ X1 K- V' e) G# k3 v* `' Zfor k=2:N%循环里面是卡尔曼滤波的具体过程   
x(k)=x(k-1);   
& H+ B+ W, N' tp(k)=p(k-1)+Q;     
Kg(k)=p(k)/(p(k)+R);%Kg为Kalman Gain,卡尔曼增益     
- K/ b0 ~$ X+ @% Vx(k)=x(k)+Kg(k)*(y(k)-x(k));     
p(k)=(1-Kg(k))*p(k);
end  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %这个模块起到平滑滤波作用
Filter_Width=10;%滤波器带宽
. o/ t2 q) }$ ]Smooth_Result=zeros(1,N);%用来存放滤波后的各个采样点的值
0 M4 e. b0 D$ z5 z' Q, ffor i=Filter_Width+1:N     
Temp_Sum=0;      
for j=i-Filter_Width: (i-1)      
Temp_Sum=x(j)+Temp_Sum;   
: t% _. e. i' n% Xend      
Smooth_Result(i)=Temp_Sum/Filter_Width;%每一个点的采样值等于这个点之前的filter_width长度的采样点的平均值
end  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
t=1:N;  
figure('Name','Kalman Filter Simulation','NumberTitle','off');
expected_Value=zeros(1,N);
. @- b7 `! N. ~for i=1:N      
expected_Value(i)=CON;
end
! S% u( s/ g0 ^% ]9 M. |3 Zplot(t,expected_Value,'-b',t,y,'-g',t,x,'-k',t,Smooth_Result,'-m');%依次输出理论值，叠加测量噪声的温度计测量值，
legend('expected','measure','estimate','smooth result');           %经过kalman滤波后的最优化估算值，平滑滤波后的输出值
xlabel('sample time');
% _$ L) R8 F7 G# ?( J1 b6 gylabel('temperature');  title('Kalman Filter Simulation');

lilino

程序给力！