卡尔曼滤波

传感器技术 2021-09-10 07:00 1233浏览 0评论 0点赞

汽车照明的秘密武器，竟然是…… TOLG 技术采用超紧凑的海鸥翼式引脚设计

附录：补充材料

附1、卡尔曼滤波主要框架？

卡尔曼滤波的本质属于系统的最优估计，通过卡尔曼增益来修正状态预测值，减小噪声信号对测试精度的影响，其核心内容是基于上一时刻状态的估计值以及当前状态的观测值，给出当前状态的最优估计，该算法涉及的核心方程有：

其中，xt为系统状态矩阵；zt为系统观测矩阵（实验结果）；A为状态转移矩阵；B为控制输入矩阵；H为状态观测矩阵。

附2、卡尔曼滤波应用实例？

本部分通过简单的算例，介绍了卡尔曼滤波的应用场景，后续针对课题组实际需求，编写了能够应用于大应变传感器的滤波程序，具体如下所示：

上图中黑线表述为信号采集系统得到的原始信号，红线表述为卡尔曼滤波后展现的信号特征；从图中可以看出，卡尔曼滤波能够有效地减小测量误差；其中，状态转换矩阵A=1,具体物理意义为：传感器输出信号只与应变量相关，不施加外界激励时，输出信号不发生改变；状态观测矩阵H=1,具体物理意义为：传感器输出的信号能够直接测量；

具体使用的源程序代码如下：

clear all;clc%先对不同变量进行定义% Q为过程激励噪声协方差% R为观测噪声协方差% X_bar为先验证估计% Xbar为后验估计，最优估计值% P_为先验估计误差协方差% P为后验估计误差协方差% Z为测量结果，测量数据（实验结果）% K为卡尔曼增益
% 核心代码
% 读取传感器输出信号node='信号采集结果.txt';[x,Z]...    =textread(node,'%f%f','emptyvalue',0,'headerlines',10);
% 定义超参数：实验数据长度，过程激励噪声协方差，观测噪声协方差(测量设备性能参数)changdu=length(Z);Q=0.04;R=100.25;
% 定义尺寸参数cicun=[changdu,1];
% 实验数据% Z=24+sqrt(R)*randn(cicun);
% 定义初始迭代参数X_bar=zeros(cicun);Xbar=zeros(cicun);K=zeros(cicun);P_=zeros(cicun);P=zeros(cicun);
P(1)=1;Xbar(1)=900.3;
% 卡尔曼滤波参数更新for n=2:changdu%   更新先验估计    X_bar(n)=Xbar(n-1);%   更新先验估计误差协方差    P_(n)=P(n-1)+Q;% 状态更新    K(n)=P_(n)/(P_(n)+R);    Xbar(n)=X_bar(n)+K(n)*(Z(n)-X_bar(n));    P(n)=(1-K(n))*P_(n);end
% 绘图plot(Z,'K+')hold onplot(Xbar,'r-')hold on