ukf演算法

『壹』 基於ukf的組合導航系統故障檢測識別演算法怎麼用matlab模擬實現

系統研究了GPS/INS組合導航系統的模擬原理,然後以Matlab/Simulink為平台,在對GPS、INS進行單獨模擬的基礎上
對GPS/INS組合導航系統進行了實時的擴展Kalman濾波模擬試驗,試驗結果不僅證明組合導航具有較高的導航精度,而且為進一步研究組合導航系統開辟了一條比較實用的道路。

『貳』 unscented卡爾曼濾波 不適用於哪些非線性系統

Unscented Kalman Filter 中文釋義：無味卡爾曼濾波/無跡卡爾曼濾波/去芳香卡爾曼濾波 UKF是無味變換(UT) 和標准Kalman濾波體系的結合,與EKF（擴展卡爾曼濾波）不同,UKF是通過無味變換使非線性系統方程適用於線性假設下的標准Kalman濾波體系,而不是像EKF那樣,通過線性化非線性函數實現遞推濾波.目標跟蹤有兩個理論基礎,即數據關聯和卡爾曼濾波技術 .由於在實際的目標跟蹤中,跟蹤系統的狀態模型和量測模型多是非線性的,因此採用非線性濾波的方法.傳統的非線性濾波的方法主要是擴展卡爾曼濾波演算法( EKF) ,但是該演算法存在著精度不高、穩定性差、對目標機動反應遲緩等缺點.近年來,文獻提出了一種非線性濾波演算法- Unscented卡爾曼濾波(UnscentedKalman Filter,即UKF).它是根據Unscented變化(無味變換)和卡爾曼濾波相結合得到的一種演算法.這種演算法主要運用卡爾曼濾波的思想,但是在求解目標後續時刻的預測值和量測值時,則需要應用采樣點來計算.UKF通過設計加權點δ,來近似表示n維目標采樣點,計算這些δ點經由非線性函數的傳播,通過非線性狀態方程獲得更新後的濾波值 ,從而實現了對目標的跟蹤.UKF有效地克服了擴展卡爾曼濾波的估計精度低、穩定性差的缺陷. 卡爾曼最初提出的濾波理論只適用於線性系統,Bucy,Sunahara等人提出並研究了擴展卡爾曼濾波(Extended Kalman Filter,簡稱EKF),將卡爾曼濾波理論進一步應用到非線性領域.EKF的基本思想是將非線性系統線性化,然後進行卡爾曼濾波,因此EKF是一種次優濾波.其後,多種二階廣義卡爾曼濾波方法的提出及應用進一步提高了卡爾曼濾波對非線性系統的估計性能.二階濾波方法考慮了Taylor級數展開的二次項,因此減少了由於線性化所引起的估計誤差,但大大增加了運算量,因此在實際中反而沒有一階EKF應用廣泛. 在狀態方程或測量方程為非線性時,通常採用擴展卡爾曼濾波(EKF).EKF對非線性函數的Taylor展開式進行一階線性化截斷,忽略其餘高階項,從而將非線性問題轉化為線性,可以將卡爾曼線性濾波演算法應用於非線性系統中.這樣以來,解決了非線性問題.EKF雖然應用於非線性狀態估計系統中已經得到了學術界認可並為人廣泛使用,然而該種方法也帶來了兩個缺點,其一是當強非線性時EKF違背局部線性假設,Taylor展開式中被忽略的高階項帶來大的誤差時,EKF演算法可能會使濾波發散；另外,由於EKF在線性化處理時需要用雅克比(Jacobian)矩陣,其繁瑣的計算過程導致該方法實現相對困難.所以,在滿足線性系統、高斯白雜訊、所有隨機變數服從高斯(Gaussian)分布這3個假設條件時,EKF是最小方差准則下的次優濾波器,其性能依賴於局部非線性度. 無味卡爾曼濾波是一種新型的濾波估計演算法.UKF以UT變換為基礎,摒棄了對非線性函數進行線性化的傳統做法,採用卡爾曼線性濾波框架,對於一步預測方程,使用無味(UT)變換來處理均值和協方差的非線性傳遞,就成為UKF演算法.UKF是對非線性函數的概率密度分布進行近似,用一系列確定樣本來逼近狀態的後驗概率密度,而不是對非線性函數進行近似,不需要求導計算Jacobian矩陣.UKF沒有線性化忽略高階項,因此非線性分布統計量的計算精度較高.基於上述優點,UKF被廣泛應用於導航、目標跟蹤、信號處理和神經網路學習等多個領域. 如需要更詳細的資料,請留下郵箱地址.

『叄』 最近寫關於粒子濾波方面的論文，想知道他的幾種演算法與原演算法之間進行了哪些修改。

粒子濾波(PF: Particle Filter)的思想基於蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集來表示概率，可以用在任何形式的狀態空間模型上。其核心思想是通過從後驗概率中抽取的隨機狀態粒子來表達其分布，是一種順序重要性采樣法(Sequential Importance Sampling)。簡單來說，粒子濾波法是指通過尋找一組在狀態空間傳播的隨機樣本對概率密度函數 進行近似，以樣本均值代替積分運算，從而獲得狀態最小方差分布的過程。這里的樣本即指粒子,當樣本數量N→∝時可以逼近任何形式的概率密度分布。
盡管演算法中的概率分布只是真實分布的一種近似，但由於非參數化的特點，它擺脫了解決非線性濾波問題時隨機量必須滿足高斯分布的制約，能表達比高斯模型更廣泛的分布，也對變數參數的非線性特性有更強的建模能力。因此，粒子濾波能夠比較精確地表達基於觀測量和控制量的後驗概率分布，可以用於解決SLAM問題。
粒子濾波的應用
粒子濾波技術在非線性、非高斯系統表現出來的優越性，決定了它的應用范圍非常廣泛。另外，粒子濾波器的多模態處理能力，也是它應用廣泛有原因之一。國際上，粒子濾波已被應用於各個領域。在經濟學領域，它被應用在經濟數據預測；在軍事領域已經被應用於雷達跟蹤空中飛行物，空對空、空對地的被動式跟蹤；在交通管制領域它被應用在對車或人視頻監控；它還用於機器人的全局定位。
粒子濾波的缺點
雖然粒子濾波演算法可以作為解決SLAM問題的有效手段，但是該演算法仍然存在著一些問題。其中最主要的問題是需要用大量的樣本數量才能很好地近似系統的後驗概率密度。機器人面臨的環境越復雜，描述後驗概率分布所需要的樣本數量就越多，演算法的復雜度就越高。因此，能夠有效地減少樣本數量的自適應采樣策略是該演算法的重點。另外，重采樣階段會造成樣本有效性和多樣性的損失，導致樣本貧化現象。如何保持粒子的有效性和多樣性，克服樣本貧化，也是該演算法研究重點。
粒子濾波的發展
1.MCMC改進策略
馬爾可夫鏈蒙特卡洛(MCMC)方法通過構造Markov鏈，產生來自目標分布的樣本，並且具有很好的收斂性。在SIS的每次迭代中，結合MCMC使粒子能夠移動到不同地方，從而可以避免退化現象，而且Markov鏈能將粒子推向更接近狀態概率密度函數(probability density function,(PDF))的地方，使樣本分布更合理。基於MCMC改進策略的方法有許多，常用的有Gibbs采樣器和MetropolisHasting方法。
2.Unscented粒子濾波器(UPF)
Unscented Kalman濾波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一階Taylor展開式逼近非線性項，用高斯分布近似狀態分布。UKF類似於EKF，用高斯分布逼近狀態分布，但不需要線性化只使用少數幾個稱為Sigma點的樣本。這些點通過非線性模型後，所得均值和方差能夠精確到非線性項Taylor展開式的二階項，從而對非線性濾波精度更高。Merwe等人提出使用UKF產生PF的重要性分布，稱為Unscented粒子濾波器(UPF)，由UKF產生的重要性分布與真實狀態PDF的支集重疊部分更大，估計精度更高。
3.Rao－Blackwellised粒子濾波器(RBPF)
在高維狀態空間中采樣時,PF的效率很低。對某些狀態空間模型，狀態向量的一部分在其餘部分的條件下的後驗分布可以用解析方法求得，例如某些狀態是條件線性高斯模型，可用Kalman濾波器得到條件後驗分布，對另外部分狀態用PF，從而得到一種混合濾波器，降低了PF采樣空間的維數，RBPF樣本的重要性權的方差遠遠低於SIR方法的權的方差，為使用粒子濾波器解決 SLAM問題提供了理論基礎。而Montemerlo等人在2002年首次將Rao-Blackwellised粒子濾波器應用到機器人SLAM中，並取名為FastSLAM演算法。該演算法將SLAM問題分解成機器人定位問題和基於位姿估計的環境特徵位置估計問題，用粒子濾波演算法做整個路徑的位姿估計，用EKF估計環境特徵的位置，每一個EKF對應一個環境特徵。該方法融合EKF和概率方法的優點，既降低了計算的復雜度，又具有較好的魯棒性。
最近幾年，粒子方法又出現了一些新的發展，一些領域用傳統的分析方法解決不了的問題，現在可以藉助基於粒子模擬的方法來解決。在動態系統的模型選擇、故障檢測、診斷方面，出現了基於粒子的假設檢驗、粒子多模型、粒子似然度比檢測等方法。在參數估計方面，通常把靜止的參數作為擴展的狀態向量的一部分，但是由於參數是靜態的，粒子會很快退化成一個樣本，為避免退化，常用的方法有給靜態參數人為增加動態雜訊以及Kernel平滑方法，而Doucet等提出的點估計方法避免對參數直接采樣，在粒子框架下使用最大似然估計(ML)以及期望值最大(EM)演算法直接估計未知參數。

『肆』 幾種濾波器跟蹤性能的比較

摘要：現階段,卡爾曼濾波是信息融合領域中廣泛使用的融合演算法,它在線性高斯模型下能得到最優估計,但在非線性非高斯的模型下不能達到理想的效果。在這種情況下,非線性目標跟蹤已被人們廣泛重視。擴展卡爾曼濾波器（EKF）是將卡爾曼濾波器（KF）進行Tay-lor展開,演算法簡單,計算快捷,適用於非線性程度不強,高斯的環境下。不敏卡爾曼濾波（UKF）是先對狀態向量的後驗概率密度函數（PDF）進行近似化然後再在標准卡爾曼濾波框架下進行遞推濾波。粒子濾波是一種基於蒙特卡羅模擬和遞推貝葉斯估計的濾波方法。這種濾波的方法和其他濾波的方法一樣,都是可以通過系統的模型方程從測量空間一步步遞推得到其相應的狀態空間。它可以處理模型方程為非線性、雜訊分布為非高斯分布的問題,在許多領域得到了成功的應用。論文中通過模擬試驗,進行跟蹤性能的比較,結果證明在復雜的非高斯非線性環境中,粒子濾波器的性能要明顯優於擴展卡爾曼濾波器。

『伍』 無味卡爾曼濾波與擴展卡爾曼濾波的具體區別，以及演算法

EKF是對非線性系統模型（方程）進行的線性化近似，以利用KF演算法進行濾波估計。而UKF是對狀態的概率統計近似，即設計少量的σ點，由σ點經由非線性函數的傳播，計算出隨機向量一、二階統計特性的傳播，對於高斯雜訊的假設，UKF能夠達到三階估計精度，而EKF只能達到二階精度，但其演算法仍然是利用KF的演算法。
現在國內外的文獻大都是對UKF演算法的改進和應用進行論述，但對演算法的穩定性等沒有系統的論述。我了解得沈陽自動化所做的這方面的工作很多。

『陸』 求個autocad2011激活碼求大蝦幫忙算一個激活碼，序列號: 688-88888888 產品密鑰: 001c1

別人幫你計算的激活碼沒有用，必須本機啟動CAD，運行注冊機，注冊機需要讀取本機信息才能聯網激活的。
1、啟動 AutoCAD2011 ，在「[Autodesk 產品] 產品激活」向導中，選擇「激活產品」，單擊「下一步」。
2、在「現在注冊」的「激活」頁面上，先在序列號或編組ID下的文本框中輸入序列號：356-72378422 （或666-98989898），任意一個產品序列號，產品密鑰一律為001B1
3、然後啟動注冊機，在注冊機「request」下框中 粘貼（Ctrl+v）剛才記下的申請碼，先點擊注冊機\"Mem Patch\",再點擊「Generate」按鈕，這時將會在「activation」下框中得出激活碼。用（Ctrl+c）復制 激活碼並返回auocad2010激活界面。
4、在auocad2011激活界面選擇「粘貼激活碼」，用(Ctrl+V)粘貼剛才記下的激活碼。點擊「下一步」，激活成功。
5、在「注冊 - 激活確認」頁面上，單擊「 完成」。

下載一個注冊機！一般你下載的CAD安裝包裡面就有注冊機。

『柒』 用龍格庫塔法求非線性方程組matlab編寫程序

初值為[12]

[T,x]=ode15s(@vdp1000,[010],[12]);

plot(T,x(:,1),'-');holdon;

plot(T,x(:,2),'-.');holdon;

legend('x1','x2');

子函數為：

functiondx=vdp1000(t,x)

dx=zeros(2,1);

dx(1)=-x(2);

dx(2)=-0.2*(1-x(1)^2)*x(2)+x(1);

圖形為：

相等的點自己可以估計下！

採納吧，做的很辛苦！

『捌』 誰知道關於非線性加權ukf卡爾曼濾波器是怎麼回事啊

Unscented Kalman Filter
中文釋義：無味卡爾曼濾波/無跡卡爾曼濾波/去芳香卡爾曼濾波

UKF是無味變換(UT) 和標准Kalman濾波體系的結合,與EKF（擴展卡爾曼濾波）不同,UKF是通過無味變換使非線性系統方程適用於線性假設下的標准Kalman濾波體系,而不是像EKF那樣,通過線性化非線性函數實現遞推濾波。目標跟蹤有兩個理論基礎,即數據關聯和卡爾曼濾波技術 . 由於在實際的目標跟蹤中,跟蹤系統的狀態模型和量測模型多是非線性的,因此採用非線性濾波的方法. 傳統的非線性濾波的方法主要是擴展卡爾曼濾波演算法( EKF) ,但是該演算法存在著精度不高、穩定性差、對目標機動反應遲緩等缺點. 近年來,文獻提出了一種非線性濾波演算法- Unscented卡爾曼濾波(UnscentedKalman Filter,即UKF). 它是根據Unscented變化(無味變換)和卡爾曼濾波相結合得到的一種演算法. 這種演算法主要運用卡爾曼濾波的思想,但是在求解目標後續時刻的預測值和量測值時,則需要應用采樣點來計算. UKF通過設計加權點δ,來近似表示n維目標采樣點,計算這些δ點經由非線性函數的傳播,通過非線性狀態方程獲得更新後的濾波值 ,從而實現了對目標的跟蹤. UKF有效地克服了擴展卡爾曼濾波的估計精度低、穩定性差的缺陷.

卡爾曼最初提出的濾波理論只適用於線性系統,Bucy，Sunahara等人提出並研究了擴展卡爾曼濾波(Extended Kalman Filter，簡稱EKF)，將卡爾曼濾波理論進一步應用到非線性領域。EKF的基本思想是將非線性系統線性化，然後進行卡爾曼濾波，因此EKF是一種次優濾波。其後，多種二階廣義卡爾曼濾波方法的提出及應用進一步提高了卡爾曼濾波對非線性系統的估計性能。二階濾波方法考慮了Taylor級數展開的二次項，因此減少了由於線性化所引起的估計誤差，但大大增加了運算量，因此在實際中反而沒有一階EKF應用廣泛。

在狀態方程或測量方程為非線性時，通常採用擴展卡爾曼濾波(EKF)。EKF對非線性函數的Taylor展開式進行一階線性化截斷，忽略其餘高階項，從而將非線性問題轉化為線性，可以將卡爾曼線性濾波演算法應用於非線性系統中。這樣以來，解決了非線性問題。EKF雖然應用於非線性狀態估計系統中已經得到了學術界認可並為人廣泛使用，然而該種方法也帶來了兩個缺點，其一是當強非線性時EKF違背局部線性假設，Taylor展開式中被忽略的高階項帶來大的誤差時，EKF演算法可能會使濾波發散；另外，由於EKF在線性化處理時需要用雅克比(Jacobian)矩陣，其繁瑣的計算過程導致該方法實現相對困難。所以，在滿足線性系統、高斯白雜訊、所有隨機變數服從高斯(Gaussian)分布這3個假設條件時，EKF是最小方差准則下的次優濾波器，其性能依賴於局部非線性度。

無味卡爾曼濾波是一種新型的濾波估計演算法。UKF以UT變換為基礎，摒棄了對非線性函數進行線性化的傳統做法，採用卡爾曼線性濾波框架，對於一步預測方程，使用無味(UT)變換來處理均值和協方差的非線性傳遞，就成為UKF演算法。UKF是對非線性函數的概率密度分布進行近似，用一系列確定樣本來逼近狀態的後驗概率密度，而不是對非線性函數進行近似，不需要求導計算Jacobian矩陣。UKF沒有線性化忽略高階項，因此非線性分布統計量的計算精度較高。基於上述優點，UKF被廣泛應用於導航、目標跟蹤、信號處理和神經網路學習等多個領域。

如需要更詳細的資料，請留下郵箱地址。