您可以使用实时数据和线性、扩展或无迹卡尔曼滤波算法来估计系统的状态。您可以使用System Identification Toolbox™库的Estimators子库中万博1manbetx的Simulink块执行在线状态估计。然后,您可以使用以下方法生成C/ c++代码块万博1manbetx仿真软件编码器™,并将此代码部署到嵌入式目标。您还可以在命令行执行在线状态估计,并使用MATLAB®编译器™或MATLAB编码器.
extendedKalmanFilter |
建立用于在线状态估计的扩展卡尔曼滤波对象 |
unscentedKalmanFilter |
创建用于在线状态估计的无迹卡尔曼滤波对象 |
particleFilter |
在线状态估计的粒子滤波对象 |
正确的 |
正确的状态和状态估计误差协方差使用扩展或无气味卡尔曼滤波器,或粒子滤波器和测量 |
剩余 |
使用扩展卡尔曼滤波或无迹卡尔曼滤波时返回测量残差和残差协方差 |
预测 |
利用扩展卡尔曼滤波或无迹卡尔曼滤波或粒子滤波预测下一时刻的状态和状态估计误差协方差 |
初始化 |
初始化粒子过滤器的状态 |
克隆 |
复制在线状态估计对象 |
在Simulink中用时变卡尔曼滤波器估计线性系统的状态。万博1manbetx
使用一个扩展卡尔曼滤波器块来估计具有多个以不同采样率工作的传感器的系统状态。
验证使用扩展卡尔曼滤波器和无味卡尔曼滤波块。
基于粒子滤波块的Simulink参数和状态估计万博1manbetx
这个示例演示了在系统识别工具箱™中使用粒子过滤器块。
采用无迹卡尔曼滤波算法对范德堡尔振荡器进行非线性状态估计。
验证使用扩展和无迹卡尔曼滤波算法进行的在线状态估计。
使用扩展或无迹卡尔曼滤波器或粒子滤波器MATLAB编码器软件
故障诊断在线状态估计使用扩展和unscented卡尔曼滤波算法。