示例模型

示例模型有三个主要功能：在极坐标（距离-方位）下生成飞机位置、速度和加速度；添加测量噪声以模拟传感器的不准确读数；使用卡尔曼滤波器从噪声测量中估计位置和速度。

模型输出

运行模型。在模拟结束时，图形显示以下信息：

-实际轨迹与估计轨迹的比较

-距离的估计残差

-X（南北）和Y（东西）的实际、测量和估计位置

卡尔曼滤波块

飞机位置和速度的估计由“雷达卡尔曼滤波器”子系统执行。该子系统对噪声测量值进行采样，将其转换为直角坐标，并将其作为输入发送到DSP系统工具箱™ 卡尔曼滤波块。

在此应用中，卡尔曼滤波器块产生两个输出。第一个是对实际位置的估计。该输出被转换回极坐标，以便与测量值进行比较，以产生残差，即估计值与测量值之间的差值。卡尔曼滤波块对测量的位置数据进行平滑处理，以产生其对实际位置的估计。

卡尔曼滤波块的第二个输出是对飞机状态的估计。在这种情况下，状态由四个数字组成，表示X和Y坐标中的位置和速度。

实验:初始速度失配

卡尔曼滤波块在精确估计飞机的位置和速度时效果最好，但在给定的时间内，它可以补偿错误的初始估计。要查看此信息，请更改估计状态的初始条件参数。Y方向上初始速度的正确值是400。尝试将估计值更改为100，并再次运行模型。

观察距离残差大得多，“E-W位置”估计最初不准确。随着更多测量数据的收集，残差逐渐变小，位置变得更精确。

实验:增大测量噪声

在目前的模型中，距离估计中加入的噪声与最终距离相比是相当小的。噪音的最大幅度是300英尺，而最大范围是40000英尺。试着增加范围噪音的幅度到更大的值，例如，5倍这个量或1500英尺，通过改变第一个组件获得“Meas”中的参数。噪声强度增益块。

观察到，代表估计位置的蓝线已经远离代表实际位置的红线，曲线变得更加“凹凸不平”和“参差不齐”。我们可以通过给卡尔曼滤波器块一个更好的测量噪声估计来部分补偿误差。尝试设置测量噪声协方差将卡尔曼滤波块的参数设置为1500，并再次运行模型。

观察到，当测量噪声估计更好时，E-W和N-S位置估计曲线变得更平滑。N-S位置曲线现在一直低估位置。考虑到测量噪声与N-S坐标值的比较，这是预期行为。

另见

Simu万博1manbetxlink®示例“sldemo_雷达_eml”使用相同的目标运动初始模拟，并通过使用MATLAB功能块实现的扩展卡尔曼滤波器完成跟踪。