距离
测量置信值
描述
D =距离(计算被检测对象的位置与卡尔曼滤波对象预测位置之间的距离。这种距离计算考虑了预测状态和过程噪声的协方差。的kalmanFilter，zmatrix）距离函数只能在预测函数。
使用距离函数来查找最佳匹配。计算出的距离值描述了一组测量值如何与卡尔曼滤波相匹配。因此，您可以选择最适合过滤器的测量值。在多目标跟踪问题中，该策略可用于匹配目标检测与目标跟踪。这种距离计算考虑了预测状态和过程噪声的协方差。
例子
跟踪对象的位置
跟踪在一个方向上移动的物理物体的位置。
生成合成数据，模拟以恒定速度移动的物理对象的一维位置。
detectedLocations = num2cell(2*randn(1,40) + (1:40));
通过将一些元素设置为空来模拟缺失检测。
detectedLocations{1} = [];为idx = 16: 25 detectedLocations{idx} = [];结束
创建一个图来显示检测的位置和使用卡尔曼滤波进行跟踪的结果。
图;持有在；ylabel (“位置”）;ylim ([0, 50]);包含(“时间”）;xlim([0,长度(detectedLocations)]);
当第一次检测到物理对象时，创建一个1-D，恒速卡尔曼滤波器。根据之前的状态预测对象的位置。如果在当前时间步中检测到对象，则使用其位置来纠正状态。
Kalman = [];为idx = 1: length(detectedLocations) location = detectedLocations{idx};如果isempty(卡尔曼滤波)如果~isempty(location) stateModel = [1 1;0 1];measurementModel = [1 0];卡尔曼=视觉。KalmanFilter (stateModel measurementModel,“ProcessNoise”1的军医,“MeasurementNoise”4);卡尔曼。State = [location, 0];结束其他的trackkedlocation = predict(kalman);如果~isempty(location) plot(idx, location，k +的）;D =距离(卡尔曼，位置);标题(sprintf (“距离:% f ', d));trackedLocation =正确(卡尔曼，位置);其他的标题(缺失的检测）;结束暂停(0.2);情节(idx trackedLocation,“罗”）;结束结束传奇(检测到的位置的，“预测/纠正位置”）;
从信号中去除噪声
使用卡尔曼滤波器从被零均值高斯噪声破坏的随机信号中去除噪声。
合成一个值为1的随机信号，它被标准偏差为0.1的零均值高斯噪声破坏。
X = 1;Len = 100;Z = x + 0.1 * randn(1,len);
用卡尔曼滤波器去除信号中的噪声。期望状态是恒定的，测量结果与状态相同。
stattransitionmodel = 1;测量模型= 1;Obj =愿景。KalmanFilter (stateTransitionModel measurementModel,“StateCovariance”, 1“ProcessNoise”1 e-5“MeasurementNoise”1依照);Z_corr = 0 (1,len);为Idx = 1: len predict(obj);Z_corr (idx) =正确(obj,z(idx));结束
阴谋的结果。
图，plot(x * ones(1,len))，“g -”）;持有在；阴谋(1:len, z,“b +”1: len z_corr,的r -）;传奇(原始信号的，噪声信号的，“过滤信号”）;
输入参数
更多关于
版本历史
您也可以从以下列表中选择网站: