预测

预测状态和状态估计误差的跟踪滤波器协方差

全部折叠在页面中

语法

[xpred, ppr] =预测(过滤器)
[xpred, ppr] =预测(过滤器,dt)
[xpred, ppr] =预测(过滤器,predparams)
预测(过滤器,___)
xpred =预测(过滤器,___)

描述

例子

(xpred,ppr)=预测(过滤器)返回预测状态，xpred，预测状态估计误差协方差，ppr，用于输入跟踪筛选器的下一个时间步。该预测值覆盖了内部状态和状态估计误差的协方差过滤器。

(xpred,ppr)=预测(过滤器,dt)将时间步长指定为正标量(以秒为单位)，并返回前面语法的一个或多个输出。

(xpred,ppr)=预测(过滤器,predparams)指定状态转换函数使用的其他预测参数。状态转换函数定义在StateTransitionFcn的属性过滤器。

预测(过滤器,___)更新过滤器具有预测状态和状态估计误差的协方差不返回预测值。指定跟踪过滤器和来自前面语法的任何输入参数组合。

xpred=预测(过滤器,___)更新过滤器与预测状态和状态估计误差协方差但只返回预测状态，xpred。

例子

全部折叠

打开生活的脚本

创建一个二维trackingEKF对象并使用名称-值对来定义StateTransitionJacobianFcn和MeasurementJacobianFcn属性。使用预定义的恒速运动和测量模型及其雅可比矩阵。

EKF = trackingEKF (@constvel @cvmeas, (0, 0, 0, 0),…“StateTransitionJacobianFcn”@constveljac,…“MeasurementJacobianFcn”,@cvmeasjac);

过滤器运行。使用预测和正确的函数来传播状态。你可以叫预测和正确的任何顺序，想要多少次都可以。以笛卡尔坐标指定测量值。

测量= (1;1,0);[xpred, Ppred] = predict(EKF);[xcorr, Pcorr] =正确(EKF，测量);[xpred, Ppred] = predict(EKF);[xpred, Ppred] = predict(EKF)
xpred =4×11.2500 0.2500 1.2500 0.2500
ppr =4×4更新:2007-2-13阅读:这是一本很好的工具书，是一本很好的工具书，是一本很好的工具书

输入参数

全部折叠

对象跟踪过滤器，指定为这些对象之一:

使用预测函数与一个trackingKF线性卡尔曼滤波器预测(trackingKF)。

下一次预测的时间步长，指定为以秒为单位的正标量。

状态转换函数使用的预测参数，指定为逗号分隔的参数列表。方法指定的状态转换函数传递的参数与这些参数相同StateTransitionFcn输入属性过滤器。

假设你设置StateTransitionFcn财产@constacc然后调用预测功能:

[xpred, ppr] =预测(过滤器,dt)
的预测函数内部调用如下:
国家= constacc(状态,dt)

输出参数

全部折叠

滤波器的预测状态，指定为向量或矩阵。的状态输入属性过滤器被此值覆盖。

滤波器的预测状态协方差，指定为一个向量或矩阵。的StateCovariance输入属性过滤器被此值覆盖。

预测测量，指定为向量或矩阵。你可以返回zpred只有当过滤器是一个trackingABF对象。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

另请参阅

||||||

介绍了R2018b

传感器融合和跟踪工具箱文件
万博1manbetx

尝试MATLAB、Sim万博1manbetxulink和其他产品s manbetx 845

得到审判现在