ukf算法

‘壹’ 基于ukf的组合导航系统故障检测识别算法怎么用matlab仿真实现

系统研究了GPS/INS组合导航系统的仿真原理,然后以Matlab/Simulink为平台,在对GPS、INS进行单独仿真的基础上
对GPS/INS组合导航系统进行了实时的扩展Kalman滤波仿真试验,试验结果不仅证明组合导航具有较高的导航精度,而且为进一步研究组合导航系统开辟了一条比较实用的道路。

‘贰’ unscented卡尔曼滤波 不适用于哪些非线性系统

Unscented Kalman Filter 中文释义：无味卡尔曼滤波/无迹卡尔曼滤波/去芳香卡尔曼滤波 UKF是无味变换(UT) 和标准Kalman滤波体系的结合,与EKF（扩展卡尔曼滤波）不同,UKF是通过无味变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系,而不是像EKF那样,通过线性化非线性函数实现递推滤波.目标跟踪有两个理论基础,即数据关联和卡尔曼滤波技术 .由于在实际的目标跟踪中,跟踪系统的状态模型和量测模型多是非线性的,因此采用非线性滤波的方法.传统的非线性滤波的方法主要是扩展卡尔曼滤波算法( EKF) ,但是该算法存在着精度不高、稳定性差、对目标机动反应迟缓等缺点.近年来,文献提出了一种非线性滤波算法- Unscented卡尔曼滤波(UnscentedKalman Filter,即UKF).它是根据Unscented变化(无味变换)和卡尔曼滤波相结合得到的一种算法.这种算法主要运用卡尔曼滤波的思想,但是在求解目标后续时刻的预测值和量测值时,则需要应用采样点来计算.UKF通过设计加权点δ,来近似表示n维目标采样点,计算这些δ点经由非线性函数的传播,通过非线性状态方程获得更新后的滤波值 ,从而实现了对目标的跟踪.UKF有效地克服了扩展卡尔曼滤波的估计精度低、稳定性差的缺陷. 卡尔曼最初提出的滤波理论只适用于线性系统,Bucy,Sunahara等人提出并研究了扩展卡尔曼滤波(Extended Kalman Filter,简称EKF),将卡尔曼滤波理论进一步应用到非线性领域.EKF的基本思想是将非线性系统线性化,然后进行卡尔曼滤波,因此EKF是一种次优滤波.其后,多种二阶广义卡尔曼滤波方法的提出及应用进一步提高了卡尔曼滤波对非线性系统的估计性能.二阶滤波方法考虑了Taylor级数展开的二次项,因此减少了由于线性化所引起的估计误差,但大大增加了运算量,因此在实际中反而没有一阶EKF应用广泛. 在状态方程或测量方程为非线性时,通常采用扩展卡尔曼滤波(EKF).EKF对非线性函数的Taylor展开式进行一阶线性化截断,忽略其余高阶项,从而将非线性问题转化为线性,可以将卡尔曼线性滤波算法应用于非线性系统中.这样以来,解决了非线性问题.EKF虽然应用于非线性状态估计系统中已经得到了学术界认可并为人广泛使用,然而该种方法也带来了两个缺点,其一是当强非线性时EKF违背局部线性假设,Taylor展开式中被忽略的高阶项带来大的误差时,EKF算法可能会使滤波发散；另外,由于EKF在线性化处理时需要用雅克比(Jacobian)矩阵,其繁琐的计算过程导致该方法实现相对困难.所以,在满足线性系统、高斯白噪声、所有随机变量服从高斯(Gaussian)分布这3个假设条件时,EKF是最小方差准则下的次优滤波器,其性能依赖于局部非线性度. 无味卡尔曼滤波是一种新型的滤波估计算法.UKF以UT变换为基础,摒弃了对非线性函数进行线性化的传统做法,采用卡尔曼线性滤波框架,对于一步预测方程,使用无味(UT)变换来处理均值和协方差的非线性传递,就成为UKF算法.UKF是对非线性函数的概率密度分布进行近似,用一系列确定样本来逼近状态的后验概率密度,而不是对非线性函数进行近似,不需要求导计算Jacobian矩阵.UKF没有线性化忽略高阶项,因此非线性分布统计量的计算精度较高.基于上述优点,UKF被广泛应用于导航、目标跟踪、信号处理和神经网络学习等多个领域. 如需要更详细的资料,请留下邮箱地址.

‘叁’ 最近写关于粒子滤波方面的论文，想知道他的几种算法与原算法之间进行了哪些修改。

粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(Sequential Importance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数 进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。
尽管算法中的概率分布只是真实分布的一种近似，但由于非参数化的特点，它摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。因此，粒子滤波能够比较精确地表达基于观测量和控制量的后验概率分布，可以用于解决SLAM问题。
粒子滤波的应用
粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛有原因之一。国际上，粒子滤波已被应用于各个领域。在经济学领域，它被应用在经济数据预测；在军事领域已经被应用于雷达跟踪空中飞行物，空对空、空对地的被动式跟踪；在交通管制领域它被应用在对车或人视频监控；它还用于机器人的全局定位。
粒子滤波的缺点
虽然粒子滤波算法可以作为解决SLAM问题的有效手段，但是该算法仍然存在着一些问题。其中最主要的问题是需要用大量的样本数量才能很好地近似系统的后验概率密度。机器人面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高。因此，能够有效地减少样本数量的自适应采样策略是该算法的重点。另外，重采样阶段会造成样本有效性和多样性的损失，导致样本贫化现象。如何保持粒子的有效性和多样性，克服样本贫化，也是该算法研究重点。
粒子滤波的发展
1.MCMC改进策略
马尔可夫链蒙特卡洛(MCMC)方法通过构造Markov链，产生来自目标分布的样本，并且具有很好的收敛性。在SIS的每次迭代中，结合MCMC使粒子能够移动到不同地方，从而可以避免退化现象，而且Markov链能将粒子推向更接近状态概率密度函数(probability density function,(PDF))的地方，使样本分布更合理。基于MCMC改进策略的方法有许多，常用的有Gibbs采样器和MetropolisHasting方法。
2.Unscented粒子滤波器(UPF)
Unscented Kalman滤波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一阶Taylor展开式逼近非线性项，用高斯分布近似状态分布。UKF类似于EKF，用高斯分布逼近状态分布，但不需要线性化只使用少数几个称为Sigma点的样本。这些点通过非线性模型后，所得均值和方差能够精确到非线性项Taylor展开式的二阶项，从而对非线性滤波精度更高。Merwe等人提出使用UKF产生PF的重要性分布，称为Unscented粒子滤波器(UPF)，由UKF产生的重要性分布与真实状态PDF的支集重叠部分更大，估计精度更高。
3.Rao－Blackwellised粒子滤波器(RBPF)
在高维状态空间中采样时,PF的效率很低。对某些状态空间模型，状态向量的一部分在其余部分的条件下的后验分布可以用解析方法求得，例如某些状态是条件线性高斯模型，可用Kalman滤波器得到条件后验分布，对另外部分状态用PF，从而得到一种混合滤波器，降低了PF采样空间的维数，RBPF样本的重要性权的方差远远低于SIR方法的权的方差，为使用粒子滤波器解决 SLAM问题提供了理论基础。而Montemerlo等人在2002年首次将Rao-Blackwellised粒子滤波器应用到机器人SLAM中，并取名为FastSLAM算法。该算法将SLAM问题分解成机器人定位问题和基于位姿估计的环境特征位置估计问题，用粒子滤波算法做整个路径的位姿估计，用EKF估计环境特征的位置，每一个EKF对应一个环境特征。该方法融合EKF和概率方法的优点，既降低了计算的复杂度，又具有较好的鲁棒性。
最近几年，粒子方法又出现了一些新的发展，一些领域用传统的分析方法解决不了的问题，现在可以借助基于粒子仿真的方法来解决。在动态系统的模型选择、故障检测、诊断方面，出现了基于粒子的假设检验、粒子多模型、粒子似然度比检测等方法。在参数估计方面，通常把静止的参数作为扩展的状态向量的一部分，但是由于参数是静态的，粒子会很快退化成一个样本，为避免退化，常用的方法有给静态参数人为增加动态噪声以及Kernel平滑方法，而Doucet等提出的点估计方法避免对参数直接采样，在粒子框架下使用最大似然估计(ML)以及期望值最大(EM)算法直接估计未知参数。

‘肆’ 几种滤波器跟踪性能的比较

摘要：现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果。在这种情况下,非线性目标跟踪已被人们广泛重视。扩展卡尔曼滤波器（EKF）是将卡尔曼滤波器（KF）进行Tay-lor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下。不敏卡尔曼滤波（UKF）是先对状态向量的后验概率密度函数（PDF）进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波。粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间。它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用。论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器。

‘伍’ 无味卡尔曼滤波与扩展卡尔曼滤波的具体区别，以及算法

EKF是对非线性系统模型（方程）进行的线性化近似，以利用KF算法进行滤波估计。而UKF是对状态的概率统计近似，即设计少量的σ点，由σ点经由非线性函数的传播，计算出随机向量一、二阶统计特性的传播，对于高斯噪声的假设，UKF能够达到三阶估计精度，而EKF只能达到二阶精度，但其算法仍然是利用KF的算法。
现在国内外的文献大都是对UKF算法的改进和应用进行论述，但对算法的稳定性等没有系统的论述。我了解得沈阳自动化所做的这方面的工作很多。

‘陆’ 求个autocad2011激活码求大虾帮忙算一个激活码，序列号: 688-88888888 产品密钥: 001c1

别人帮你计算的激活码没有用，必须本机启动CAD，运行注册机，注册机需要读取本机信息才能联网激活的。
1、启动 AutoCAD2011 ，在“[Autodesk 产品] 产品激活”向导中，选择“激活产品”，单击“下一步”。
2、在“现在注册”的“激活”页面上，先在序列号或编组ID下的文本框中输入序列号：356-72378422 （或666-98989898），任意一个产品序列号，产品密钥一律为001B1
3、然后启动注册机，在注册机“request”下框中 粘贴（Ctrl+v）刚才记下的申请码，先点击注册机\"Mem Patch\",再点击“Generate”按钮，这时将会在“activation”下框中得出激活码。用（Ctrl+c）复制 激活码并返回auocad2010激活界面。
4、在auocad2011激活界面选择“粘贴激活码”，用(Ctrl+V)粘贴刚才记下的激活码。点击“下一步”，激活成功。
5、在“注册 - 激活确认”页面上，单击“ 完成”。

下载一个注册机！一般你下载的CAD安装包里面就有注册机。

‘柒’ 用龙格库塔法求非线性方程组matlab编写程序

初值为[12]

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

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

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

legend('x1','x2');

子函数为：

functiondx=vdp1000(t,x)

dx=zeros(2,1);

dx(1)=-x(2);

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

图形为：

相等的点自己可以估计下！

采纳吧，做的很辛苦！

‘捌’ 谁知道关于非线性加权ukf卡尔曼滤波器是怎么回事啊

Unscented Kalman Filter
中文释义：无味卡尔曼滤波/无迹卡尔曼滤波/去芳香卡尔曼滤波

UKF是无味变换(UT) 和标准Kalman滤波体系的结合,与EKF（扩展卡尔曼滤波）不同,UKF是通过无味变换使非线性系统方程适用于线性假设下的标准Kalman滤波体系,而不是像EKF那样,通过线性化非线性函数实现递推滤波。目标跟踪有两个理论基础,即数据关联和卡尔曼滤波技术 . 由于在实际的目标跟踪中,跟踪系统的状态模型和量测模型多是非线性的,因此采用非线性滤波的方法. 传统的非线性滤波的方法主要是扩展卡尔曼滤波算法( EKF) ,但是该算法存在着精度不高、稳定性差、对目标机动反应迟缓等缺点. 近年来,文献提出了一种非线性滤波算法- Unscented卡尔曼滤波(UnscentedKalman Filter,即UKF). 它是根据Unscented变化(无味变换)和卡尔曼滤波相结合得到的一种算法. 这种算法主要运用卡尔曼滤波的思想,但是在求解目标后续时刻的预测值和量测值时,则需要应用采样点来计算. UKF通过设计加权点δ,来近似表示n维目标采样点,计算这些δ点经由非线性函数的传播,通过非线性状态方程获得更新后的滤波值 ,从而实现了对目标的跟踪. UKF有效地克服了扩展卡尔曼滤波的估计精度低、稳定性差的缺陷.

卡尔曼最初提出的滤波理论只适用于线性系统,Bucy，Sunahara等人提出并研究了扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)，将卡尔曼滤波理论进一步应用到非线性领域。EKF的基本思想是将非线性系统线性化，然后进行卡尔曼滤波，因此EKF是一种次优滤波。其后，多种二阶广义卡尔曼滤波方法的提出及应用进一步提高了卡尔曼滤波对非线性系统的估计性能。二阶滤波方法考虑了Taylor级数展开的二次项，因此减少了由于线性化所引起的估计误差，但大大增加了运算量，因此在实际中反而没有一阶EKF应用广泛。

在状态方程或测量方程为非线性时，通常采用扩展卡尔曼滤波(EKF)。EKF对非线性函数的Taylor展开式进行一阶线性化截断，忽略其余高阶项，从而将非线性问题转化为线性，可以将卡尔曼线性滤波算法应用于非线性系统中。这样以来，解决了非线性问题。EKF虽然应用于非线性状态估计系统中已经得到了学术界认可并为人广泛使用，然而该种方法也带来了两个缺点，其一是当强非线性时EKF违背局部线性假设，Taylor展开式中被忽略的高阶项带来大的误差时，EKF算法可能会使滤波发散；另外，由于EKF在线性化处理时需要用雅克比(Jacobian)矩阵，其繁琐的计算过程导致该方法实现相对困难。所以，在满足线性系统、高斯白噪声、所有随机变量服从高斯(Gaussian)分布这3个假设条件时，EKF是最小方差准则下的次优滤波器，其性能依赖于局部非线性度。

无味卡尔曼滤波是一种新型的滤波估计算法。UKF以UT变换为基础，摒弃了对非线性函数进行线性化的传统做法，采用卡尔曼线性滤波框架，对于一步预测方程，使用无味(UT)变换来处理均值和协方差的非线性传递，就成为UKF算法。UKF是对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度，而不是对非线性函数进行近似，不需要求导计算Jacobian矩阵。UKF没有线性化忽略高阶项，因此非线性分布统计量的计算精度较高。基于上述优点，UKF被广泛应用于导航、目标跟踪、信号处理和神经网络学习等多个领域。

如需要更详细的资料，请留下邮箱地址。