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,您可以为这些块生成C/ c++代码万博1manbetxSimulink Coder™,并将此代码部署到一个嵌入式目标。您还可以在命令行执行在线状态估计,并使用MATLAB®Compiler™或者MATLAB编码器.
extendedKalmanFilter |
创建扩展卡尔曼滤波对象在线状态估计 |
unscentedKalmanFilter |
为在线状态估计创建Uncented Kalman筛选对象 |
particleFilter |
用于在线状态估计的粒子滤波对象 |
正确的 |
使用扩展或无气味卡尔曼滤波器,或粒子滤波器和测量校正状态和状态估计误差协方差 |
剩余 |
使用扩展或无迹卡尔曼滤波器时,返回测量残差和残差协方差 |
预测 |
使用扩展或无迹卡尔曼滤波器或粒子滤波器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中使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,用于估计具有多个以不同采样率工作的传感器的系统的状态。
验证使用的在线状态估计扩展卡尔曼滤波器和无味卡尔曼滤波块。
使用粒子过滤器块的Simulink参数和状态估计万博1manbetx
这个例子演示了在系统识别工具箱™中使用粒子滤波器块。
非线性状态估计使用Unscented Kalman滤波器和粒子滤波器
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。
验证使用扩展无迹卡尔曼滤波算法进行的在线状态估计。
使用扩展或无气味卡尔曼滤波器或粒子滤波器MATLAB编码器软件
使用扩展和无迹卡尔曼滤波算法进行在线状态估计故障排除。