卡尔曼滤波python 二维数组 卡尔曼滤波 matlab

1.卡尔曼滤波方程

2.简单示例程序

%% 参数设置
N = 200;     % 设置数据长度为N
t = (1:N);   % 生成时间轴
a = 1;       % 状态转移方程
b = 0;       % 控制输入
c = 1;       % c: 观测方程
x = 5;       % 设置初值 初始的均值和方差
sigma2 = 10;
V = 50;      % 设置生成的信号的噪声标准差
Q = 1;       % 设置状态转移方差Q和观测方差R
R = 50;       

%% 初始化
real_signal = zeros(1,N); % 真实信号
z = zeros(1,N);           % 观测数据
x_filter = zeros(1,N);    % 存储卡尔曼估计的结果，缓存起来用于画图形
K = zeros(1,N);           % 存储卡尔曼预测中的增益k，缓存起来用于画图形

% 初始化真实数据和观测数据
for i=1:N
   %生成真实数据，为1-100线性增加的信号
   real_signal(i) = i*2; 
   %real_signal(i) = 200;
   %生成观测，真实数据基础上叠加一个高斯噪声 normrnd(均值, 标准差)
   z(i) = real_signal(i) + normrnd(0, V);
end

%% 卡尔曼滤波
for i=1:N
    % 预测步
    x_ = a*x + b;            %预测当前状态
    sigma2_ = a*sigma2*a'+Q;

    % 更新步
    k = sigma2_*c'/(c*sigma2_*c'+R);
    x = x_ + k*(z(i) - c*x_);
    sigma2 = (1-k*c)*sigma2_;

    % 存储滤波结果
    x_filter(i) = x;
    K(i) = k;
end

%% 展示
% 画出卡尔曼增益k 可以看到系统很快会达到稳态，k会很快收敛成为一个常数，此时卡尔曼滤波也就相当于低通滤波了
plot(t, K);legend('K');
% 画出波形， 真实值 - 观测值 - 卡尔曼估计值
figure(2)
plot(t, real_signal, 'r', t, z, 'g', t, x_filter, 'b')
legend('real','measure','filter');

3.运行结果

卡尔曼增益K收敛曲线

4. 一些理解

1. 实际的工程应用中，估计噪声和测量噪声的方差（Q,R）是需要实测，从公式发现，只要固定估计噪声和测量噪声的方差的比值Q/R，计算的结果就是一样的，实际上，我们在实际测试滤波效果的时候，调整比值Q/R就可以改变滤波的效果，R越大，说明测量值越不可靠。
2. Q 和 R 取值来说不是特别重要，最后结果都会收敛，但如果对这些噪声估计的更好，能得到更好的结果
3. 初始化P 0 只要设置为不为0的数值即可，最后结果也会正确的收敛。X0可以任意设置。

5.参考文章

1.公式推导：【工程师学算法】工程常用算法（二）—— 卡尔曼滤波(Kalman Filter)

2.原理：卡尔曼滤波详解3.简单代码示例：卡尔曼滤波示例