《数学实验》综合实验报告实验名称综合实验（Kalman滤波）
2016年 5月
一、【实验目的】
明白滤波计算流程
能够调用相关函数进行数据处理
使用循环函数和二维曲线画图
有效的构建仿真模型，产生模拟数据
二、【实验原理分析】
卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。
设系统可用一个线性随机微分方程来描述：
X(k)=A X(k-1)+B U(k)+W(k)
再加上系统的测量值：Z(k)=H X(k)+V(k)
上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声，他们的协方差分别是Q，R（这里假设他们不随系统状态变化而变化）。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。首先要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=A X(k-1|k-1)+B U(k) (1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的协方差还没更新。我们用P表示协方差：
P(k|k-1)=A P(k-1|k-1) A’+Q (2)
式(2)中，P(k|k-1)是X(k|k-1)对应的协方差，P(k-1|k-1)是X(k-1|k-1)对应的协方差，A’表示A的转置矩阵，Q是系统过程的协方差。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们
可以得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3)
其中Kg为卡尔曼增益(Kalman Gain)：
Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)
到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的协方差：
P(k|k)=（I-Kg(k) H）P(k|k-1) (5)
其中I 为1的矩阵，对于单模型单测量，I=1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。、
MA TLAB中已经给出了滤波函数，以下为直接调用方法:
设线性系统为
其调用格式为
[ kest, L, P]=kalman (sys, Qn, Rn, Nn)
[ kest, L, P]=kalman(sys, Qn, Rn, Nn, sensors, known)
[kest,L,P,M,Z]=kalman(sys,Qn,Rn,Nn)
最后一种调用格式只限于离散系统。
三、【实验内容及数据来源】
已知离散系统
第一式为系统方程，第二式为观测方程，表示状态量x的第二个分量。e与v是互不相关的高斯白噪声。
假设的真值，由此系统方程构造出k=1,2,…30的数据,构造时加上系统噪声干扰，再由
观测方程构造出观测数据并加观测噪声干扰，并以此作为仿真数据。用Kalman滤波对仿真数据进行滤波处理，并与真实结果比较。
四、【实验程序】
%%%%%%%系统描述
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % x[n+1]=Ax[n]+Bu[n]+Gw[n]
% y[n]=Cx[n]+Du[n]+Hw[n]+v[n]
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 状态转移矩阵
A=[0.49 0.298 0.412
0.401 -0.391 0.391
-0.992 0.401 0.296];
% B矩阵
B=zeros(3,3);
% G矩阵
G=eye(3,3);
% C矩阵向量
C=[0 1 0];
D=[0 0 0];
H=zeros(1,3);
% 状态向量初值（真值）
x(:,1)=[10.9 8.481 -4.3]';
% 状态向量初始估计值
guji=[20.1 21.3 20.7]';
% 进入循环
for i=2:30
%c产生正态分布数据
w=randn(3,1);
v=randn(1,1);
%真实数据
x(:,i)=A*x(:,i-1);
%人为制造系统误差
x1(:,i)=x(:,i)+w;
Qn=eye(2,2);
Rn=1;
Nn=0;
%人为制造观测数据的误差
z0(:,i)=C*x1(:,i)+v;
%建立Kalman的系统参数
sys=ss(A,[B,G],C,[D,H],-1);
[kest,L,P,M,Z]=kalman(sys,Qn,Rn,Nn);
%得到估计数据
guji(:,i)=A*guji(:,i-1)+L*(z0(:,i)-C*A*guji(:,i-1)); end
subplot(2,2,1)
% 做出真值曲线 x1
plot(x(1,:))
hold on
% 做出在噪声污染情况下的滤波估计值曲线 x1
plot(guji(1,:),':m')
hold off
legend('real of x1','estimate of x1')
grid
subplot(2,2,2)
% 做出真值曲线 x2
plot(x(2,:))
hold on
% 做出在噪声污染情况下的滤波估计值曲线 x2
plot(guji(2,:),':m')
hold off
legend('real of x2','estimate of x2')
grid
subplot(2,2,3:4)
% 做出真值曲线 x2
plot(x(3,:))
hold on
% 做出在噪声污染情况下的滤波估计值曲线 x3
plot(guji(3,:),':m')
hold off
legend('real of x1','estimate of x1')
grid
五、【实验结果】
为了阐述kalman滤波的基本计算思路，在试验中选择了最简单的一种系统模型，线性定常动力系统。在实际应用中很多时候面对的都是非线性而且时变系统，这有时候性质要复杂一些。
最后的结果信息我们反映在图9.2中，这只是结果的直观反应，更多的时候需要的是计算结果。表9.1中给出了真实的运动轨迹。
图1.1 Kalman滤波处理的与真实值的比较
表1.2给出了三个分量的滤波处理结果。如果对比表1.1与表1.2，可以看出在序列靠后的地方真实状态与估计状态的绝对误差是比较小的。
六、【实验心得】
MATLAB中有丰富的图形处理能力，提供了绘制各种图形、图像数据的函数。它可以提供了一组绘制二维和三维曲线的函数，他们还可以对图形进行旋转、缩放等操作。MA TLAB内部还包含丰富的数学函数和数据类型，使用方便且功能非常强大。
本学期通过对MATLAB的系统环境，数据的各种运算，矩阵的分析和处理，程序设计，绘图，数值计算及符号运算的学习，初步掌握了MATLAB的实用方法。通过老师的讲解与自己上机的操作，使我在短时间内学会使用MATLAB，同时，通过上机实验，对理论知识的复习巩固实践，可以自己根据例题编写设计简单的程序来实现不同的功能，绘制出比较满意的二维三维图形，在实践中找到乐趣。
MATLAB是一个实用性很强，操作相对容易，比较完善的工具软件，使用起来比较方便，通过操作可以很快看到结果，能够清晰的感觉到成功与失败，虽然课程中也会出现一些小问题，但是很喜欢这门课程。——郑蕊
MATLAB作为一门编程语言，其简易程度超过了大多数的计算机高级语言，作为一名计算机专业的学生，我深深感受到了这门语言的简洁与方便，语法和自然语言更为贴近，简便易学，功能强大，能够用其进行绝大多少的数学计算与绘图。而且我们的数值计算就是用MA TLAB作为我们的计算的工具，所以感觉这门课程多我的帮助很大，而且可以将其接入java等多种主流编程语言程序运行，兼容性很好。用它进行数值分析计算，大大的方便了我们的任务的进行。
总之，通过这学期为数不多的学习，我掌握了MATLAB的许多基础入门知识，我以后继续学习熟练使用它进行问题分析解决打下了良好的基础。俗话说，万事开头难，感谢这门课称帮助我踏入数学问题分析计算的新高度。
——周其飞
刚开始看到“数学实验”这门课时，我的内心是疑惑的，数学，还能有什么实验？在进入课堂之后才感受到这门课深重的意义。
通过matlab实验使我学习掌握了许多知识。首先是对matlab与数学实验有了一个全新的认识，其次是对matlab的更多操作和命令的使用有了更好的掌握，最重要的事对matlab的处理能力有了一个更高的飞跃尤其是对相关函数的使用及相关问题的处理。
matlab功能强大而又简单容易上手，通过短短几周的学习我们便掌握了它的基本操作及命令。利用matlab 进行矩阵和数组的运算使得原本复杂的矩阵运算化身为几行代码，而利用matlab的绘图功能更是将原本抽象的复杂函数图像显现出来并自主加以修饰，让人一目了然。matlab在求导、积分方面也颇有功用。数学本身是一门科学，其目的不是在于计算，而在于深入的探索与发现。利用matlab软件处理数学问题，将我们从枯燥复杂的计算工作中解放出来，大大提高了我们实验研究的效率。matlab带给我的影响远不止于此，在接下来的学习中的每一门课，matlab将成为一个必备的工具。
——赵冠晨
【参考文献】：（1）《Optimal State Estimation》，作者：Dan Simon
(2) 《卡尔曼滤波与组合导航原理》，作者：秦永元
(3) 《数值计算方法》，主编：颜兵兵
一个应用实例详解卡尔曼滤波及其算法实现 标签：算法filtermatlabalgorithm优化工作 2012-05-14 10:48 75511人阅读评论(25) 收藏举报分类： 数据结构及其算法（4） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。 我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。 好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。 由于我们用于估算k时刻的实际温度有两个温度值，分别是23 度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance（协方差）来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。 可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。 现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56 度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度
IIR 低通滤波器的设计程序为： Ft=8000; Fp=1000; Fs=1200; As=100 ; Ap=1; wp=2*pi*Fp/Ft; ws=2*pi*Fs/Ft; fp=2*Fp*tan(wp/2); fs=2*Fs*tan(ws/2); [n11,wn11]=buttord(wp,ws,1,50,'s'); [b11,a11]=butter(n11,wn11,'s'); [num11,den11]=bilinear(b11,a11,0.5); [h,w]=freqz(num11,den11); axes(handles.axes1); plot(w*8000*0.5/pi,abs(h)); xlabel('Frequency/Hz'); ylabel('Magnitude'); title('巴特沃斯数字低通滤波器'); 巴特沃斯带通滤波器设计程序为: Ft=8000; Fp1=1200; Fp2=3000; Fs1=1000; Fs2=3200; As=100; Ap=1; wp1=tan(pi*Fp1/Ft); wp2=tan(pi*Fp2/Ft); ws1=tan(pi*Fs1/Ft); ws2=tan(pi*Fs2/Ft); w=wp1*wp2/ws2;
bw=wp2-wp1; wp=1; ws=(wp1*wp2-w.^2)/(bw*w); [n12,wn12]=buttord(wp,ws,1,50,'s'); [b12,a12]=butter(n12,wn12,'s'); [num2,den2]=lp2bp(b12,a12,sqrt(wp1*wp2),bw); [num12,den12]=bilinear(num2,den2,0.5); [h,w]=freqz(num12,den12); plot(w*8000*0.5/pi,abs(h)); axis([0 4000 0 1.5]); xlabel('Frequency/Hz'); ylabel('Magnitude'); title('巴特沃斯数字带通滤波器'); IIR 高通滤波器的设计程序为： Ft=8000; Fp=4000; Fs=3500; wp1=tan(pi*Fp/Ft); ws1=tan(pi*Fs/Ft); wp=1; ws=wp1*wp/ws1; [n13,wn13]=cheb1ord(wp,ws,1,50,'s'); [b13,a13]=cheby1(n13,1,wn13,'s'); [num,den]=lp2hp(b13,a13,wn13); [num13,den13]=bilinear(num,den,0.5); [h,w]=freqz(num13,den13); axes(handles.axes1); plot(w*21000*0.5/pi,abs(h)); xlabel('Frequency/Hz'); ylabel('Magnitude'); title('切比雪夫Ⅰ型数字高通滤波器');
文件一 % THIS PROGRAM IS FOR IMPLEMENTATION OF DISCRETE TIME PROCESS EXTENDED KALMAN FILTER % FOR GAUSSIAN AND LINEAR STOCHASTIC DIFFERENCE EQUATION. % By (R.C.R.C.R),SPLABS,MPL. % (17 JULY 2005). % Help by Aarthi Nadarajan is acknowledged. % (drawback of EKF is when nonlinearity is high, we can extend the % approximation taking additional terms in Taylor's series). clc; close all; clear all; Xint_v = [1; 0; 0; 0; 0]; wk = [1 0 0 0 0]; vk = [1 0 0 0 0]; for ii = 1:1:length(Xint_v) Ap(ii) = Xint_v(ii)*2; W(ii) = 0; H(ii) = ‐sin(Xint_v(ii)); V(ii) = 0; Wk(ii) = 0; end Uk = randn(1,200); Qu = cov(Uk); Vk = randn(1,200); Qv = cov(Vk); C = [1 0 0 0 0]; n = 100; [YY XX] = EKLMNFTR1(Ap,Xint_v,Uk,Qu,Vk,Qv,C,n,Wk,W,V); for it = 1:1:length(XX) MSE(it) = YY(it) ‐ XX(it); end tt = 1:1:length(XX); figure(1); subplot(211); plot(XX); title('ORIGINAL SIGNAL'); subplot(212); plot(YY); title('ESTIMATED SIGNAL'); figure(2); plot(tt,XX,tt,YY); title('Combined plot'); legend('original','estimated'); figure(3); plot(MSE.^2); title('Mean square error'); 子文件：：function [YY,XX] = EKLMNFTR1(Ap,Xint_v,Uk,Qu,Vk,Qv,C,n,Wk,W,V); Ap(2,:) = 0; for ii = 1:1:length(Ap)‐1 Ap(ii+1,ii) = 1;
《数字信号处理课程设计报告》 课程设计题目：数字带通滤波设计 学院：信息工程学院 专业：通信工程 班级： 学生姓名: 指导老师： 日期：2012年5月4日至17日
目录 1. 课程设计的目的和意义 (3) 1.1课程目的 (3) 1.2实验意义 (3) 2.课程设计题目描述及要求 (4) 3.实验内容 (4) 3.1数字滤波器的简介 (4) 3.2 椭圆数字带通滤波器设计原理 (4) 3.3实验流程框图 (5) 3.4实验步骤 (7) 3.5 程序代码 (8) 3.6实验仿真结果图 (9) 3.7实验结果分析 (10) 4.实验总结 (10) 参考文献 (11)
1.课程设计的目的和意义 1.1课程目的 (1) 学习椭圆模拟带通滤波器的设计。 (2) 使用椭圆模拟带通滤波器逼近数字带通滤波器。 (3) 双线性变换法的应用原理。 (4) 使用matlab对滤波器进行仿真和频谱分析。 1.2实验意义 数字滤波器是个离散时间系统（按预定的算法，将输入离散时间信号换为所要求的输出离散时间信号的特定功能装置）。应用数字滤波器处理模拟信号时，首先须对输入模拟信号进行限带、抽样和模数转换。数字滤波器输入信号的抽样率应大于被处理信号带宽的两倍，其频率响应具有以抽样频率为间隔的周期重复特性，且以折叠频率即1/2抽样频率点呈镜像对称。为得到模拟信号，数字滤波器处理的输出数字信号须经数模转换、平滑。数字滤波器具有高精度、高可靠性、可程控改变特性或复用、便于集成等优点。数字滤波器在语言信号处理、图像信号处理、医学生物信号处理以及其他应用领域都得到了广泛应用。 利用Matlab设计滤波器,可以按照设计要求非常方便地调整设计参数,极大地减轻了设计的工作量,有利于滤波器设计的最优化。Matlab因其强大的数据处理功能被广泛应用于工程计算,其丰富的工具箱为工程计算提供了便利,利用Matlab信号处理工具箱可以快速有效地设计各种数字滤波器,设计简单方便。本文介绍了在Matlab环境下滤波器设计的方法和步骤。
卡尔曼滤波器及其简matlab仿真
卡尔曼滤波器及其简matlab仿真 一、卡尔曼滤波的起源 谈到信号的分析与处理，就离不开滤波两个字。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内，为了消除噪声，可以进行频域滤波。但在许多应用场合，需要直接进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但其所依据的理论，即针对随机信号的估计理论，是自成体系的。人们对于随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文A New Approach to Linear Filtering and Prediction Problems （线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。 其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。 对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 卡尔曼滤波不要求保存过去的测量数据，当新的数据到来时，根据新的数据和前一时刻的储值的估计，借助于系统本身的状态转移方程，按照一套递推公式，即可算出新的估值。卡尔曼递推算法大大减少了滤波装置的存储量和计算量，并且突破了平稳随机过程的限制，使卡尔曼滤波器适用于对时变信号的实时处理。
实验4 基于MATLAB 的FIR 数字滤波器设计 实验目的：加深对数字滤波器的常用指标和设计过程的理解。 实验原理：低通滤波器的常用指标： P P P for H Ω≤Ω+≤Ω≤-,1)(1δδ πδ≤Ω≤Ω≤ΩS S for H ,)( 通带边缘频率P Ω，阻带边缘频率S Ω ，通带起伏 P δ， 通带峰值起伏] )[1(log 2010dB p p δα--=， 阻带起伏s δ，最小阻带衰减])[(log 2010dB s S δα-=。 数字滤波器有IIR 和FIR 两种类型，它们的特点和设计方法不同。 在MATLAB 中，可以用b=fir1(N,Wn,’ftype’,taper) 等函数辅助设计FIR 数字滤波器。N 代表滤波器阶数；Wn 代表滤波器的截止频率(归一化频率)，当设计带通和带阻滤波器时，Wn 为双元素相量；ftype 代表滤波器类型，如’high ’高通，’stop ’带阻等；taper 为窗函数类型，默认为海明窗，窗系数需要实现用窗函数blackman, hamming,hanning chebwin, kaiser 产生。 例1 用凯塞窗设计一FIR 低通滤波器，通带边界频率π3.0=Ωp ，阻带边界频率π5.0=Ωs ，阻带衰减 不小于50dB 。 解 首先由过渡带宽和阻带衰减 来决定凯塞窗的N 和 π2.0=Ω-Ω=?Ωp s ， ， S P P S Passband Stopband Transition band Fig 1 Typical magnitude specification for a digital LPF
信号与系统MATLAB第一次实验报告 一、实验目的 1.熟悉MATLAB软件并会简单的使用运算和简单二维图的绘制。 2.学会运用MATLAB表示常用连续时间信号的方法 3.观察并熟悉一些信号的波形和特性。 4.学会运用MATLAB进行连续信号时移、反折和尺度变换。 5.学会运用MATLAB进行连续时间微分、积分运算。 6.学会运用MATLAB进行连续信号相加、相乘运算。 7.学会运用MATLAB进行连续信号的奇偶分解。 二、实验任务 将实验书中的例题和解析看懂，并在MATLAB软件中练习例题，最终将作业完成。 三、实验内容 1.MATLAB软件基本运算入门。 1). MATLAB软件的数值计算： 算数运算 向量运算：1.向量元素要用”[ ]”括起来，元素之间可用空格、逗号分隔生成行向量，用分号分隔生成列向量。2.x=x0:step:xn.其中x0位初始值，step表示步长或者增量，xn 为结束值。 矩阵运算：1.矩阵”[ ]”括起来；矩阵每一行的各个元素必须用”,”或者空格分开； 矩阵的不同行之间必须用分号”;”或者ENTER分开。2.矩阵的加法或者减法运算是将矩阵的对应元素分别进行加法或者减法的运算。3.常用的点运算包括”.*”、”./”、”.\”、”.^”等等。 举例：计算一个函数并绘制出在对应区间上对应的值。
2).MATLAB软件的符号运算：定义符号变量的语句格式为”syms 变量名” 2.MATLAB软件简单二维图形绘制 1).函数y=f(x)关于变量x的曲线绘制用语：>>plot(x,y) 2).输出多个图像表顺序：例如m和n表示在一个窗口中显示m行n列个图像，p表 示第p个区域，表达为subplot(mnp)或者subplot(m,n,p) 3).表示输出表格横轴纵轴表达范围：axis([xmax,xmin,ymax,ymin]) 4).标上横轴纵轴的字母：xlabel(‘x’),ylabel(‘y’) 5).命名图像就在subplot写在同一行或者在下一个subplot前：title(‘……’) 6).输出：grid on 举例1： 举例2：
卡尔曼滤波器及其简matlab仿真 一、卡尔曼滤波的起源 谈到信号的分析与处理，就离不开滤波两个字。通常，信号的频谱处于有限的频率范围内，而噪声的频谱则散布在很广的频率范围内，为了消除噪声，可以进行频域滤波。但在许多应用场合，需要直接进行时域滤波，从带噪声的信号中提取有用信号。虽然这样的过程其实也算是对信号的滤波，但其所依据的理论，即针对随机信号的估计理论，是自成体系的。人们对于随机信号干扰下的有用信号不能“确知”，只能“估计”。为了“估计”，要事先确定某种准则以评定估计的好坏程度。 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文A New Approach to Linear Filtering and Prediction Problems（线性滤波与预测问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波应用广泛且功能强大，它可以估计信号的过去和当前状态甚至能估计将来的状态即使并不知道模型的确切性质。 其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。 对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 卡尔曼滤波不要求保存过去的测量数据，当新的数据到来时，根据新的数据和前一时刻的储值的估计，借助于系统本身的状态转移方程，按照一套递推公式，即可算出新的估值。卡尔曼递推算法大大减少了滤波装置的存储量和计算量，并且突破了平稳随机过程的限制，使卡尔曼滤波器适用于对时变信号的实时处理。 二、卡尔曼滤波的原理
clear all v=150; %%目标速度 v_sensor=0;%%传感器速度 t=1; %%扫描周期 xradarpositon=0; %%传感器坐标yradarpositon=0; %% ppred=zeros(4,4); Pzz=zeros(2,2); Pxx=zeros(4,2); xpred=zeros(4,1); ypred=zeros(2,1); sumx=0; sumy=0; sumxukf=0; sumyukf=0; sumxekf=0; sumyekf=0; %%%统计的初值 L=4; alpha=1; kalpha=0; belta=2; ramda=3-L; azimutherror=0.015; %%方位均方误差rangeerror=100; %%距离均方误差processnoise=1; %%过程噪声均方差 tao=[t^3/3 t^2/2 0 0; t^2/2 t 0 0; 0 0 t^3/3 t^2/2; 0 0 t^2/2 t]; %% the input matrix of process G=[t^2/2 0 t 0 0 t^2/2 0 t ]; a=35*pi/180; a_v=5/100; a_sensor=45*pi/180; x(1)=8000; %%初始位置
y(1)=12000; for i=1:200 x(i+1)=x(i)+v*cos(a)*t; y(i+1)=y(i)+v*sin(a)*t; end for i=1:200 xradarpositon=0; yradarpositon=0; Zmeasure(1,i)=atan((y(i)-yradarpositon)/(x(i)-xradarpositon))+random('Normal',0,azimutherror,1,1); Zmeasure(2,i)=sqrt((y(i)-yradarpositon)^2+(x(i)-xradarpositon)^2)+random('Normal',0,rangeerror,1,1); xx(i)=Zmeasure(2,i)*cos(Zmeasure(1,i));%%观测值 yy(i)=Zmeasure(2,i)*sin(Zmeasure(1,i)); measureerror=[azimutherror^2 0;0 rangeerror^2]; processerror=tao*processnoise; vNoise = size(processerror,1); wNoise = size(measureerror,1); A=[1 t 0 0; 0 1 0 0; 0 0 1 t; 0 0 0 1]; Anoise=size(A,1); for j=1:2*L+1 Wm(j)=1/(2*(L+ramda)); Wc(j)=1/(2*(L+ramda)); end Wm(1)=ramda/(L+ramda); Wc(1)=ramda/(L+ramda);%+1-alpha^2+belta; %%%权值 if i==1 xerror=rangeerror^2*cos(Zmeasure(1,i))^2+Zmeasure(2,i)^2*azimutherror^2*sin(Zmeasure(1,i))^2; yerror=rangeerror^2*sin(Zmeasure(1,i))^2+Zmeasure(2,i)^2*azimutherror^2*cos(Zmeasure(1,i))^2; xyerror=(rangeerror^2-Zmeasure(2,i)^2*azimutherror^2)*sin(Zmeasure(1,i))*cos(Zmeasure(1,i)); P=[xerror xerror/t xyerror xyerror/t; xerror/t 2*xerror/(t^2) xyerror/t 2*xyerror/(t^2); xyerror xyerror/t yerror yerror/t;
实验报告 2. The Branching statements 一、实验目的： 1.To grasp the use of the branching statements; 2.To grasp the top-down program design technique. 二、实验内容及要求： 1．实验内容： 1).编写 MATLAB 语句计算 y(t)的值 (Write the MATLAB program required to calculate y(t) from the equation) ???<+≥+-=0 530 53)(2 2t t t t t y 已知 t 从-5到 5 每隔0.5取一次值。运用循环和选择语句进行计算。 (for values of t between -5 and 5 in steps of 0.5. Use loops and branches to perform this calculation.) 2).用向量算法解决练习 1, 比较这两个方案的耗时。 （tic ，toc 的命令可以帮助你完成的时间计算，请使用'help'函数）。 Rewrite the program 1 using vectorization and compare the consuming time of these two programs. (tic, toc commands can help you to finish the time calculation, please use the …help ? function). 2.实验要求： 在报告中要体现top-down design technique, 对于 3 要写出完整的设计过程。 三、设计思路： 1．用循环和选择语句进行计算： 1).定义自变量t ：t=-5:0.5:5; 2).用循环语句实现对自变量的遍历。 3).用选择语句实现对自变量的判断，选择。 4).将选择语句置入循环语句中，则实现在遍历中对数据的选择，从而实现程序的功能。 2. 用向量法实现： 1).定义自变量t ：t=-5:0.5:5; 2).用 b=t>=0 语句，将t>=0得数据选择出，再通过向量运算y(b)=-3*t(b).^2 + 5; 得出结果。 3).用取反运算，选择出剩下的数据，在进行向量运算，得出结果。 四、实验程序和结果 1.实验程序 实验程序：创建m 文件：y_t.m
卡尔曼滤波简介及其算法实现代码 卡尔曼滤波算法实现代码（C，C＋＋分别实现） 卡尔曼滤波器简介 近来发现有些问题很多人都很感兴趣。所以在这里希望能尽自己能力跟大家讨论一些力所能及的算法。现在先讨论一下卡尔曼滤波器，如果时间和能力允许，我还希望能够写写其他的算法，例如遗传算法，傅立叶变换，数字滤波，神经网络，图像处理等等。 因为这里不能写复杂的数学公式，所以也只能形象的描述。希望如果哪位是这方面的专家，欢迎讨论更正。 卡尔曼滤波器– Kalman Filter 1．什么是卡尔曼滤波器 （What is the Kalman Filter?） 在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！ 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载： https://www.doczj.com/doc/c612681444.html,/~welch/media/pdf/Kalman1960.pdf。 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。 在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就
基于matlab的fir数字滤波器设计 sea （湖南涉外经济学院湖南长沙 421000） 摘要：介绍了应用Matlab语言设计FIR数字滤波器时采用直接程序设计法。同时介绍了FIR数字滤波器几种设计方法的函数调用格式；通过实例，给出了程序设计法的详细步骤，并在Matlab的Simulink环境下，对所设计的滤波器进行了仿真。 关键词：数字滤波器；Matlab Abstract: It Introduced the application of Matlab language when designing FIR digital filter with direct procedures. At the same time it introduced several formats of function calls when designing FIR digital filter; through some examples of programming method it gives the detail steps of Simulink in Matlab environment, and to simulate the designed filter. Keywords: digital filter MATLAB 引言 1. MATLAB的特点 MATLAB(Matrix Laboratory)机矩阵实验室是由美国MathWorks公司推出的一款集数值分析、矩阵计算、信号处理和图形显示于一体的工具软件。它的命令语句功能非常强大,包含了大量高度集成的可直接调用的函数，高效简洁；另一方面，它又是一个开放系统，针对不同的学科，推出了不同的工具箱。自1984年推向市场以来，经过十几年的发展和竞争，现已成为国际认可(IEEE)的最优化的科技应用软件一。 正是由于MATLAB具有良好的扩展性以及强大的数据分析和处理能力，现已广泛应用于矩阵代数、数值计算、数字信号处理、振动理论、神经网络控制、动态仿真等领域。MATLAB是用M语言编程，尽管不能在M文件中直接调用C语言程序，但可以通过MATLAB提供的应用编程接口(API)来与外部接口，在MATLAB环境中调用C语言或Fortran程序、输入或输出数据以及与其他软件程序建立客户/服务 器关系。在MATLAB中调用C语言程序，必须通过MEX文件来实现。
目录 1 引言 (1) 2 设计任务 (2) 2.1设计内容 (2) 2.2设计要求 (2) 3 语音信号的采集及时频分析 (3) 3.1语音信号的采集 (3) 3.2语音信号的时频分析 (3) 4 基于MATLAB的数字滤波器的设计 (5) 4.1数字滤波器的设计 (5) 4.1.1数字滤波器的基本概念 (5) 4.1.2 IIR滤波器设计思想 (5) 4.2IIR数字滤波器设计 (5) 4.2.1 IIR低通滤波器设计 (5) 4.2.2 IIR带通滤波器设计 (7) 4.2.3 IIR带通滤波器设计 (9) 5 合成信号及其滤波 (12) 5.1合成信号 (12) 5.2合成信号滤波 (13) 6 设计系统界面 (15) 6.1系统界面设计工具—GUI概述 (15) 6.2界面设计及使用说明 (15) 7 心得体会 (18) 参考文献 (19) 附录 (20)
1 引言 数字信号处理是利用计算机或专用处理设备，以数值计算的方法对信号进行采集、抽样、变换、综合、估值与识别等加工处理，借以达到提取信息和便于应用的目的。它在语音、雷达、图像、系统控制、通信、航空航天、生物医学等众多领域都获得了极其广泛的应用。具有灵活、精确、抗干扰强、设备尺寸小、造价低、速度快等优点。 数字滤波器, 是数字信号处理中及其重要的一部分。随着信息时代和数字技术的发展，受到人们越来越多的重视。数字滤波器可以通过数值运算实现滤波，所以数字滤波器处理精度高、稳定、体积小、重量轻、灵活不存在阻抗匹配问题，可以实现模拟滤波器无法实现的特殊功能。数字滤波器种类很多，根据其实现的网络结构或者其冲激响应函数的时域特性，可分为两种，即有限冲激响应( FIR，Finite Impulse Response)滤波器和无限冲激响应( IIR，Infinite Impulse Response)滤波器。 IIR滤波器采用递归型结构，即结构上带有反馈环路。IIR滤波器运算结构通常由延时、乘以系数和相加等基本运算组成，可以组合成直接型、正准型、级联型、并联型四种结构形式，都具有反馈回路。同时，IIR数字滤波器在设计上可以借助成熟的模拟滤波器的成果，如巴特沃斯、契比雪夫和椭圆滤波器等，有现成的设计数据或图表可查，在设计一个IIR数字滤波器时，我们根据指标先写出模拟滤波器的公式，然后通过一定的变换，将模拟滤波器的公式转换成数字滤波器的公式。 MATALB 可以创建图形用户界面GUI (GraphicalUser Interface) ,它是用户和计算机之间交流的工具。MATLAB 将所有GUl 支持的用户控件都集成在这个环境中并提供界面外观、属性和行为响应方式的设置方法,随着版本的提高,这种能力还会不断加强。而且具有强大的绘图功能,可以轻松的获得更高质量的曲线图。 滤波器的设计可以通过软件或设计专用的硬件两种方式来实现。随着MATLAB软件及信号处理工具箱的不断完善，MATLAB很快成为应用学科等领域不可或缺的基础软件。它可以快速有效地实现数字滤波器的设计、分析和仿真，极大地减轻了工作量,有利于滤波器设计的最优化。
MATLAB 对卡尔曼滤波器的仿真实现 刘丹，朱毅，刘冰 武汉理工大学信息工程学院，武汉（430070） E-mail ：liudan_ina@https://www.doczj.com/doc/c612681444.html, 摘 要：本文以卡尔曼滤波器原理为理论基础，用MATLAB 进行卡尔曼滤波器仿真、对比卡尔曼滤波器的预测效果，对影响滤波其效果的各方面原因进行讨论和比较，按照理论模型进行仿真编程，清晰地表述了编程过程。 关键词：数字信号处理；卡尔曼滤波器；MATLAB ；仿真过程 中图分类号: TN912.3 1. 引言 随着信息时代和数字世界的到来，数字信号处理已成为当今一门极其重要的学科和技术领域。数字信号处理已在通信、语音、图像、自动控制、雷达、军事、航空航天、医疗和家用电器等众多领域得到了广泛的应用。在数字信号处理中,数字滤波占有极其重要的地位,目前对数字滤波器的设计有多种方法,其中著名的MATLAB 软件包在多个研究领域都有着广泛的应用,它的频谱分析[1]和滤波器的分析设计功能很强,从而使数字信号处理变得十分简单、直观。本文分析了数字滤波器的设计方法,举出了基于MATLAB 软件的信号处理工具在数字滤波器设计中的应用。 2. 卡尔曼滤波基本原理 卡尔曼滤波过程实际上是获取维纳解的递推运算过程[2]。从维纳解导出的卡尔曼滤波器实际上是卡尔曼滤波过程结束后达到稳态的情况，这时Kalman Filtering 的结果与Wiener Solution 是相同的[3]。具体推导如下： )()1|1(?)|(?n Gy n n x f n n x +??= )|(?)()(n n x n x n e ?= 已知由此求c a cG a f F G n e E n ,)1(( ..min )]([)(2?=??→?==ε 由 f G f G ,0??????????=??εε ⑴ )]1|1(?)()[()1|1(?)|(????+??=n n x ac n y n G n n x a n n x 可以是时变的，非平稳的随机信号 ⑵ Q n a n P +?=)1()(2 ε均为正数。 ⑶ ) () ()(2n P C R n CP n G += ⑷ )()](1[)()(n P n CG n G C P n ??== ε )(n G 是个随时间变化的量，每次输入输出，)(n G 就调整一次，并逐渐逼近Kalman Filter 的增益G ，而)1()(? 实验7\8基于MATLAB勺数字滤波器设计实验目的：加深对数字滤波器的常用指标和设计过程的理解。 实验原理：低通滤波器的常用指标： 1 一6P 兰G(e^) ≤ 1 + 6P , for 国≤ ωP G(J") ≤ 6s, for 国s ≤ ⑷≤ ∏ 通带边缘频率：'P ,阻带边缘频率：'s， 通带起伏：J P，通带峰值起伏： C(P= —20 IOg io (^-OP )【d B 】阻带起伏.冠S PaSSband StOPband Tran Siti on band Fig 7.1 TyPiCaI magn itude SPeCifiCati On for a digital LPF :S = -20 log ιo(r)[dB 】 O 数字滤波器有IIR和FlR两种类型，它们的特点和设计方法不同。 在MATLAB^,可以用［b , a］=butter ( N,Wr)等函数辅助设计IIR数字滤波器，也可以用b=fir1(N,Wn, 'type ')等函数辅助设计FIR数字滤波器。 实验内容：利用MATLAB编程设计一个数字带通滤波器，指标要求如下： 通带边缘频率：??P1=0.45^,?? P2=0?65 二，通带峰值起伏：［dB】O 阻带边缘频率：'s1 0.3…,'s2 0.75…，最小阻带衰减：-S 4°[dB] O 分别用IIR和FlR两种数字滤波器类型进行设计。 实验要求：给出IIR数字滤波器参数和FIR数字滤波器的冲激响应，绘出它们的幅度和相位频响曲线，讨论它们各自的实现形式和特点。 实验内容： IRR代码： wp=[0.45*pi,0.65*pi]; ws=[0.3*pi,0.75*pi]; Ap=1; A S=40; [N,Wc]=buttord(wp∕pi,ws∕pi,Ap,As); [b,a]=butter(N,Wc)%[b,a] = butter( n, Wn,'ftype') 最小阻带衰减: 设高度的测量误差是均值为0、方差为1的高斯白噪声随机序列，该物体的初始高度0h 和速度0V 也是高斯分布的随机变量，且0000019001000,var 10/02Eh h m P EV m s V ???????? ===? ??????? ???? ????。试求该物体高度和速度随时间变化的最优估计。（2/80.9s m g =） 解： 1. 令()()()h k X k v k ?? =? ??? t=1 R （k ）=1 Q(k)=0 根据离散时间卡尔曼滤波公式，则有： (1)(1,)()()X k k k X k U k φ+=++ (1)(1)(1)(1)Y k H k X k V k +=++++ (1,)k k φ+＝ 11t -?? ??? ? ()U k ＝ 20.5gt gt ??-???? (1)H k +＝[]10 滤波初值：^ 1900(0|0)(0)10X EX ?? ==???? 0100(0|0)var[(0)]2P X P ?? ===? ??? 一步预测：^^ (1|)(1,)(|)()X k k k k X k k U k φ+=++ (1|)(1,)(|)(1,)T P k k k k P k k k k φφ+=++ 滤波增益：1 (1)(1|)(1)[(1)(1|)(1)(1)]T T K k P k k H k H k P k k H k R k -+=+++++++ 滤波计算：^ ^ ^ (1|1)(1|)(1)[(1)(1)(1|)]X k k X k k K k Y k H k X k k ++=++++-++ (1|1)[(1)(1)](1|)P k k I K k H k P k k ++=-+++ 2. 实验结果 实验7\8 基于MATLAB 的数字滤波器设计 实验目的：加深对数字滤波器的常用指标和设计过程的理解。 实验原理：低通滤波器的常用指标： P P j P for e G ωωδδω ≤+≤≤-,1)(1 π ωωδω ≤≤≤S S j for e G ,)( 通带边缘频率：P ω，阻带边缘频率：S ω ， 通带起伏：P δ，通带峰值起伏： ])[1(log 2010 dB p p δα --=，阻带起伏： s δ， 最小阻带衰减： ] )[(log 2010dB s S δα-=。 数字滤波器有IIR 和FIR 两种类型，它们的特点和设计方法不同。 在MATLAB 中，可以用[b ，a]=butter （N,Wn ）等函数辅助设计IIR 数字滤波器, 也可以用b=fir1(N,Wn,’ftype ’) 等函数辅助设计FIR 数字滤波器。 实验内容： 利用MATLAB 编程设计一个数字带通滤波器，指标要求如下： 通带边缘频率：πω45.01=P ，πω65.02=P ，通带峰值起伏：] [1dB p ≤α 。 阻带边缘频率： π ω3.01=S ， π ω75.02=S ，最小阻带衰减： ] [40dB S ≥α。 分别用IIR 和FIR 两种数字滤波器类型进行设计。 实验要求：给出IIR 数字滤波器参数和FIR 数字滤波器的冲激响应，绘出它们的幅度和相位 频响曲线，讨论它们各自的实现形式和特点。 实验内容： IRR 代码： wp=[0.45*pi,0.65*pi]; ws=[0.3*pi,0.75*pi]; Ap=1; As=40; [N,Wc]=buttord(wp/pi,ws/pi,Ap,As) ; [b,a]=butter(N,Wc)%[b,a] = butter(n,Wn,'ftype') S ω-P ω-P ωS ωPassband Stopband Transition band Fig 7.1 Typical magnitude specification for a digital LPF 核科学技术学院 实验报告 实验项目名称MATLAB符号计算 所属课程名称MATLAB及应用 实验类型上机实验 实验日期12月日 指导教师谢芹 班级 学号 姓名 成绩 一、实验名称 MATLAB符号计算 二、实验目的 （1）掌握定义符号对象的方法 （2）掌握符号表达式的运算法则以及符号矩阵运算 （3）掌握求符号函数极限及导数的方法 （4）掌握求符号函数定积分和不定积分的方法 三、实验原理 1. 函数极限及导数的方法 （1）函数极限：limit(F,x,a) 求符号函数f(x)的极限值。即计算当变量x趋近于常数a时，f(x)函数的极限值。 （2）limit(f)：求符号函数f(x)的极限值。符号函数f(x)的变量为函数findsym(f)确定的默认变量；没有指定变量的目标值时，系统默认变量趋近于0，即a=0的情况。 （3）limit(f,x,a,'right')：求符号函数f的极限值。'right'表示变量x从右边趋近于a。 （4）limit(f,x,a,‘left’)：求符号函数f的极限值。‘left’表示变量x从左边趋近于a。 2. 微分： diff(s)：没有指定变量和导数阶数，则系统按findsym函数指示的默认变量对符号表达式s求一阶导数。 diff(s,'v')：以v为自变量，对符号表达式s求一阶导数。 diff(s,n)：按findsym函数指示的默认变量对符号表达式s求n阶导数，n为正整数。 diff(s,'v',n)：以v为自变量，对符号表达式s求n阶导数。 3. 函数定积分和不定积分的方法： int(s)：没有指定积分变量和积分阶数时，系统按findsym函数指示的默认变量对被积函数或符号表达式s求不定积分。 int(s,v)：以v为自变量，对被积函数或符号表达式s求不定积分。 int(s,v,a,b)：求定积分运算。a,b分别表示定积分的下限和上限。 梯形法：trapz(x,y)：x为分割点构成的向量，y为被积函数在分割点上的函数值构成的向量； 抛物线法：quad(f,a,b,tol)，f是被积函数，[a,b]是积分区间，tol是精度。实验报告基于MATLAB的数字滤波器设计
卡尔曼滤波两例题含matlab程序汇总
实验报告基于MATLAB的数字滤波器设计
《MATLAB及应用》实验报告2
相关主题
文本预览