1. 全栈程序员必看首页

CS模型下载_利益相关者模型

全栈程序员-用户IM • • 未分类

CS模型下载_利益相关者模型当前统计模型，CS模型基于当前统计模型的无迹卡尔曼滤波目标基于当前统计模型的容积卡尔曼滤波目标机动目标跟踪——当前统计模型（CS模型）1.对机动目标跟踪的理解1.1.对机动目标跟踪的理解1.2.目标模型概述2.”当前”统计CS模型3.”当前”统计CS模型3.1.”当前”统计CS模型（连续）3.2.”当前”统计CS模型（离散）3.3.”当前”统计CS模型分析4.”当前”统计CS模型（二维）4.1.”当前”统计CS模型（连续）………………

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

机动目标跟踪——当前统计模型（CS模型）扩展卡尔曼滤波/无迹卡尔曼滤波 matlab实现

原创不易，路过的各位大佬请点个赞

针对机动目标跟踪的探讨、技术支持欢迎联系，也可以站内私信
WX: ZB823618313

机动目标跟踪——当前统计模型（CS模型）

请添加图片描述
图：调节一下，学习这么累

1. 对机动目标跟踪的理解

1.1. 对机动目标跟踪的理解

  机动目标跟踪一直是目标跟踪领域研究的难点和重点问题。建立目标运动模型和滤波算法是目标跟踪的两个重要因素。由于目标的机动具有不可预测性，使得我们很难建立精确的目标运动模型。如何建立一种有效的模型来反映目标真实的运动轨迹是高机动目标跟踪系统急需解决的问题。经过近三十年的研究，该领域取得了许多重要成果。

个人理解：机动目标跟踪拥有三要素：

被跟踪目标建模（本博客重点讲：当前统计模型）
传感器测量（另一个博客介绍）
滤波器设计（见目标跟踪专栏）

  从算法层面，在目标跟踪系统中，常用的滤波算法是以卡尔曼滤波器为基本框架的估计算法。卡尔曼滤波器是一种线性、无偏、以误差均方差最小为准则的最优估计算法，它有精确的数学形式和优良的使用效能。卡尔曼滤波方法实质上是一种数据处理方法，它采用递推滤波方法，根据获取的量测数据由递推方程递推给出新的状态估计。由于计算量和存储量小，比较容易满足实时计算的要求，在工程实践中得到广泛应用。
  除此之外，非线性滤波也广泛应用与机动目标跟踪，比如：

扩展卡尔曼滤波EKF
无迹卡尔曼滤波UKF
容积卡尔曼滤波CKF
求积卡尔曼滤波QKF
中心差分卡尔曼滤波CDKF
Divided difference filter DDF
高斯混合滤波GSF
强跟踪滤波STF
粒子滤波PF
… …

1.2. 目标模型概述

  机动目标模型描述了目标状态随着时间变化的过程。一个好的模型抵得上大量的数据。当前几乎所有的目标跟踪算法都是基于模型进行状态估计的。在卡尔曼滤波器被引入目标跟踪领域后，基于状态空间的机动目标建模成为主要研究对象之一。

常用的目标运动模型包括：

1. 匀速运动CV模型， 链接：https://zhangdonglin.blog.csdn.net/article/details/124123556
2. 匀加速运动CA模型， 链接：https://zhangdonglin.blog.csdn.net/article/details/124126179
3. 匀速转弯CT模型， 链接：https://zhangdonglin.blog.csdn.net/article/details/124461832
4. Singer 模型， 链接：https://zhangdonglin.blog.csdn.net/article/details/124132379
5. “当前”统计模型，本博客主要讲
6. Jerk 模型， 链接：https://zhangdonglin.blog.csdn.net/article/details/124135916
7. 其它扩展模型

从目标模型所在坐标系维数及是否存在坐标耦合区分：

1. 目标的空间运动基于不同的运动轨迹和坐标系
一维运动
二维运动
三维运动

2. 根据不同方向的运动是否相关
坐标间不耦合模型
坐标间耦合模型

2. “当前”统计CS模型

“当前”统计模型是由周宏仁于年提出来的。从本质上讲，该算法模型是一个具有非零均值的加速度的模型。该算法认为当目标正以某一加速度机动时，下一刻的加速度取值是有限的，且只能在“当前”加速度的邻域内。其机动加速度的“当前”统计概率密度采用修正瑞利分布来描述，均值为“当前”加速度的预测值。

Singer 模型所描述的目标的机动建立在两条假设条件之下，即加速度是零均值的
和加速度的概率密度函数是服从均匀分布的。

“当前”统计模型(Current Statistical Model)是针对 Singer 的这两条假设条件提出的修正模型，使其更符合实际的情况，即认为目标在当前时刻以某一加速度机动时，利用机动的当前统计特性可知下一时刻的加速度的取值不是随机的，而是在有限范围内即“当前”加速度的邻域内。

通过这样模型就建立新的两条假设之下，即加速度非零均值且其概率密度服从修正的瑞利分布，实际滤波时用当前时刻的状态估计的预测加速度去代替加速度的均值。

其加速度符合非零均值一阶时间相关马尔科夫过程，即

x ¨ ( t ) = a ˉ ( t ) + a ( t ) a ˙ ( t ) = − α a ( t ) + w ( t ) (1) \ddot{x}(t)=\bar{a}(t) + a(t)\\ \dot{a}(t)=-\alpha a(t) + w(t) \tag{1} x¨(t)=aˉ(t)+a(t)a˙(t)=−αa(t)+w(t)(1)

其中 a ˉ ( t ) \bar{a}(t) aˉ(t) 为加速度均值， a ( t ) a(t) a(t)为零均值的有色噪声， w ( t ) w(t) w(t) 是均值为 0，方差为 2 α σ 2 2\alpha\sigma^2 2ασ2的高斯白噪声。

在这里插入图片描述

图：空地协同跟踪

3. “当前”统计CS模型

3.1. 连续时间”当前”统计CS模型

由于“当前”统计模型(Current Statistical Model)是针对 Singer 的这两条假设条件提出的修正模型，

因此 “当前”统计模型的状态方程与 Singer 模型类似，可表示为：

令状态向量为
X = [ x , x ˙ , x ¨ ] T {X}=[x, \dot{x},\ddot{x}]^T X=[x,x˙,x¨]T
则加速度为
a ( t ) = x ¨ ( t ) a(t)=\ddot{x}(t) a(t)=x¨(t)
连续时间Singer模型为
X ˙ ( t ) = [ 0 1 0 0 0 1 0 0 − α ] X ( t ) + [ 0 0 α ] a ˉ ( t ) + [ 0 0 1 ] w ( t ) \dot{X}(t)=\begin{bmatrix}0&1&0\\0&0&1\\0&0&-\alpha\end{bmatrix}X(t) + \begin{bmatrix}0\\0\\\alpha\end{bmatrix}\bar{a}(t) + \begin{bmatrix}0\\0\\1\end{bmatrix}w(t) X˙(t)=⎣⎡​000​100​01−α​⎦⎤​X(t)+⎣⎡​00α​⎦⎤​aˉ(t)+⎣⎡​001​⎦⎤​w(t)

Singer模型也可以表述为
X ˙ ( t ) = A X ( t ) + B u a ˉ ( t ) + B w ( t ) \dot{X}(t)=AX(t) + B_u\bar{a}(t) + Bw(t) X˙(t)=AX(t)+Bu​aˉ(t)+Bw(t)
其中
A = [ 0 1 0 0 0 1 0 0 − α ] , B u = [ 0 0 α ] , B = [ 0 0 1 ] A=\begin{bmatrix}0&1&0\\0&0&1\\0&0&-\alpha\end{bmatrix}, B_u=\begin{bmatrix}0\\0\\\alpha\end{bmatrix}, B= \begin{bmatrix}0\\0\\1\end{bmatrix} A=⎣⎡​000​100​01−α​⎦⎤​,Bu​=⎣⎡​00α​⎦⎤​,B=⎣⎡​001​⎦⎤​

3.2. 离散时间 “当前”统计CS模型

周期T采样离散化后，转化为离散时间状态方程为：

X k + 1 = F k X k + G k a ˉ k + W k (2) X_{k+1}=F_kX_{k} +G_k\bar{a}_k + W_k \tag{2} Xk+1​=Fk​Xk​+Gk​aˉk​+Wk​(2)
其中
F k = [ 1 T ( α T − 1 + e − α T ) / α 2 0 1 ( 1 − e − α T ) / α 0 0 − e − α T ] F_k=\begin{bmatrix}1&T&(\alpha T-1+e^{-\alpha T})/\alpha^2\\0&1&(1-e^{-\alpha T})/\alpha\\0&0&-e^{-\alpha T}\end{bmatrix} Fk​=⎣⎡​100​T10​(αT−1+e−αT)/α2(1−e−αT)/α−e−αT​⎦⎤​
G k = [ ( − T + α T 2 2 + 1 − e − α T α ) / α T − ( 1 − e − α T ) / α 1 − e − α T ] G_k=\begin{bmatrix}(-T+\frac{\alpha T^2}{2} + \frac{1-e^{-\alpha T}}{\alpha})/\alpha\\ T – (1-e^{-\alpha T})/\alpha\\ 1-e^{-\alpha T}\end{bmatrix} Gk​=⎣⎡​(−T+2αT2​+α1−e−αT​)/αT−(1−e−αT)/α1−e−αT​⎦⎤​

a ˉ k \bar{a}_k aˉk​可用当前时刻的状态估计中的预测加速度来替代：
a ˉ k = x ¨ ^ k ∣ k − 1 \bar{a}_k=\hat{\ddot{x}}_{k|k-1} aˉk​=x¨^k∣k−1​

噪声 W k W_k Wk​的方差为
Q = 2 α σ 2 [ q 11 q 12 q 13 q 21 q 22 q 23 q 31 q 32 q 33 ] Q=2\alpha \sigma^2 \begin{bmatrix}q_{11}&q_{12}&q_{13}\\q_{21}&q_{22}&q_{23}\\q_{31}&q_{32}&q_{33}\end{bmatrix} Q=2ασ2⎣⎡​q11​q21​q31​​q12​q22​q32​​q13​q23​q33​​⎦⎤​
Q Q Q为对称矩阵
在这里插入图片描述
其中但 σ 2 \sigma^2 σ2为：

σ 2 = { 4 − π π [ a m a x − a ˉ k ] 2 , a ˉ k ≥ 0 4 − π π [ a m a x + a ˉ k ] 2 , a ˉ k < 0 (3) \sigma^2= \begin{cases}\frac{4-\pi}{\pi} [a_{max}-\bar{a}_k]^2, \bar{a}_k\geq0 \\ \frac{4-\pi}{\pi} [a_{max}+\bar{a}_k]^2, \bar{a}_k<0\end{cases}\tag{3} σ2={
π4−π​[amax​−aˉk​]2,aˉk​≥0π4−π​[amax​+aˉk​]2,aˉk​<0​(3)

对于”当前”统计模型CS，其中矩阵 F k F_k Fk​与Singer模型一样

对于”当前”统计模型CS，其中噪声方差 W k W_k Wk​均与Singer模型一样，除了 σ 2 \sigma^2 σ2的确定不一样

3.3. “当前”统计CS模型分析

“当前”统计模型利用加速度的预测值来实时地自适应地调整过程参数 σ 2 \sigma^2 σ2 ，有了极强的自适应性。因此，“当前”统计模型比 Singer 模型能反映更真实的目标机动加速度的变化。同时，“当前”统计模型在滤波的每一个时刻都在修正模型的加速度，可以对速度突变的运动的目标进行很好的跟踪。而且就算法而言，“当前”统计模型和 Singer 模型几乎一模一样，唯一的不同只是利用在滤波过程中就求得的当前加速度的预测值改变了运动状态方程。

“当前”加速度在目标机动强烈的情况下，具有比 Singer模型更好的机动描述能力，即基于该模型的相应滤波器具有更好的估计精度。

其具有如下两个特点：

1. 当目标无机动时，即理论加速度趋于0时，相应加速度估计值$\hat{a}_{k-1}$,应趋于0,此时采用式（3）计算的$\sigma^2$趋于$\frac{(4-\pi)a_{max}^2}{\pi}$。该方差是所有可能方差的最大值，表明当目标无机动时，加速度具有最大的变化可能性。这会导致基于该模型的状态估计值在无机动时具有相应较大的方差。

2. 当目标机动最大或最小，即理论加速度为$±a_{max}$时，相应的加速度估计值$\hat{a}_{k-1}$也应趋于$±a_{max}$，此时$\sigma^2$的计算值趋于0。该方差为所有可能方差的最小值，表明当目标进行最强机动运动时，加速度变化的可能性最小。这与实际中加速度在任何时候均可能有一定变化的现象不符，从而导致相应的估计值在机动加速度绝对值较大且发生突变时具有较大的估计误差。

请添加图片描述
图：调节一下，学习这么累

4. “当前”统计CS模型（二维空间）

二维的当前统计模型和一维类似，只需要矩阵对角堆叠就可以了

类似的，三维的当前统计模型也类似。

4.1.连续时间 “当前”统计CS模型

令状态向量为
X = [ x , x ˙ , x ¨ ， y , y ˙ , y ¨ ] T {X}=[x, \dot{x},\ddot{x}，y, \dot{y},\ddot{y}]^T X=[x,x˙,x¨，y,y˙​,y¨​]T
则加速度为
a ( t ) = [ x ¨ ( t ) , y ¨ ( t ) ] T a(t)=[\ddot{x}(t), \ddot{y}(t)]^T a(t)=[x¨(t),y¨​(t)]T

加速度均值为：

a ˉ ( t ) = [ a ˉ x ( t ) , a ˉ y ( t ) ] T \bar{a}(t) =[\bar{a}_x(t) , \bar{a}_y(t) ]^T aˉ(t)=[aˉx​(t),aˉy​(t)]T

连续时间Singer模型为

X ˙ ( t ) = [ 0 1 0 0 0 0 0 0 1 0 0 0 0 0 − α 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 − α ] X ( t ) + [ 0 0 0 0 α 0 0 0 0 0 0 α ] a ˉ ( t ) + [ 0 0 0 0 1 0 0 0 0 0 0 1 ] w ( t ) \dot{X}(t)=\begin{bmatrix}0&1&0&0&0&0\\0&0&1&0&0&0\\0&0&-\alpha&0&0&0 \\0&0&0&0 &1&0\\0&0&0&0 &0&1 \\0&0&0&0 &0&-\alpha \end{bmatrix} X(t) + \begin{bmatrix}0 &0\\0&0\\\alpha&0 \\ 0&0\\0&0\\0&\alpha\end{bmatrix}\bar{a}(t) +\begin{bmatrix}0&0\\0&0\\1&0\\ 0&0\\0&0\\0&1\end{bmatrix}w(t) X˙(t)=⎣⎢⎢⎢⎢⎢⎢⎡​000000​100000​01−α000​000000​000100​00001−α​⎦⎥⎥⎥⎥⎥⎥⎤​X(t)+⎣⎢⎢⎢⎢⎢⎢⎡​00α000​00000α​⎦⎥⎥⎥⎥⎥⎥⎤​aˉ(t)+⎣⎢⎢⎢⎢⎢⎢⎡​001000​000001​⎦⎥⎥⎥⎥⎥⎥⎤​w(t)

为了方便，定义
A = [ 0 1 0 0 0 1 0 0 − α ] , B u = [ 0 0 α ] , B = [ 0 0 1 ] A=\begin{bmatrix}0&1&0\\0&0&1\\0&0&-\alpha\end{bmatrix}, B_u=\begin{bmatrix}0\\0\\\alpha\end{bmatrix}, B= \begin{bmatrix}0\\0\\1\end{bmatrix} A=⎣⎡​000​100​01−α​⎦⎤​,Bu​=⎣⎡​00α​⎦⎤​,B=⎣⎡​001​⎦⎤​
则上式变为
X ˙ ( t ) = [ A 0 0 A ] X ( t ) + [ B u 0 0 B u ] a ˉ ( t ) + [ B 0 0 B ] w ( t ) \dot{X}(t)=\begin{bmatrix}A&0\\0&A \end{bmatrix}X(t) + \begin{bmatrix}B_u&0\\0&B_u\end{bmatrix}\bar{a}(t) + \begin{bmatrix}B&0\\0&B\end{bmatrix}w(t) X˙(t)=[A0​0A​]X(t)+[Bu​0​0Bu​​]aˉ(t)+[B0​0B​]w(t)

4.2. 离散时间”当前”统计CS模型

周期T采样离散化后，转化为离散时间状态方程为：

X k + 1 = F k X k + G k a ˉ k + W k X_{k+1}=F_kX_{k} +G_k\bar{a}_k + W_k Xk+1​=Fk​Xk​+Gk​aˉk​+Wk​
其中
F k = [ F 0 0 F ] F_k=\begin{bmatrix}F&0\\0&F \end{bmatrix} Fk​=[F0​0F​]

F = [ 1 T ( α T − 1 + e − α T ) / α 2 0 1 ( 1 − e − α T ) / α 0 0 − e − α T ] F=\begin{bmatrix}1&T&(\alpha T-1+e^{-\alpha T})/\alpha^2\\0&1&(1-e^{-\alpha T})/\alpha\\0&0&-e^{-\alpha T}\end{bmatrix} F=⎣⎡​100​T10​(αT−1+e−αT)/α2(1−e−αT)/α−e−αT​⎦⎤​

其中
G k = [ G 0 0 G ] G_k=\begin{bmatrix}G&0\\0&G \end{bmatrix} Gk​=[G0​0G​]

G = [ ( − T + α T 2 2 + 1 − e − α T α ) / α T − ( 1 − e − α T ) / α 1 − e − α T ] G_=\begin{bmatrix}(-T+\frac{\alpha T^2}{2} + \frac{1-e^{-\alpha T}}{\alpha})/\alpha\\ T – (1-e^{-\alpha T})/\alpha\\ 1-e^{-\alpha T}\end{bmatrix} G=​⎣⎡​(−T+2αT2​+α1−e−αT​)/αT−(1−e−αT)/α1−e−αT​⎦⎤​

噪声 W k W_k Wk​的方差为
Q k = [ Q 0 0 Q ] Q_k=\begin{bmatrix}Q&0\\0&Q \end{bmatrix} Qk​=[Q0​0Q​]

Q = 2 α σ 2 [ q 11 q 12 q 13 q 21 q 22 q 23 q 31 q 32 q 33 ] Q=2\alpha \sigma^2 \begin{bmatrix}q_{11}&q_{12}&q_{13}\\q_{21}&q_{22}&q_{23}\\q_{31}&q_{32}&q_{33}\end{bmatrix} Q=2ασ2⎣⎡​q11​q21​q31​​q12​q22​q32​​q13​q23​q33​​⎦⎤​
Q Q Q为对称矩阵，且
在这里插入图片描述

其中但 σ 2 \sigma^2 σ2为：

σ 2 = { 4 − π π [ a m a x − a ˉ k ] 2 , a ˉ k ≥ 0 4 − π π [ a m a x + a ˉ k ] 2 , a ˉ k < 0 (3) \sigma^2= \begin{cases}\frac{4-\pi}{\pi} [a_{max}-\bar{a}_k]^2, \bar{a}_k\geq0 \\ \frac{4-\pi}{\pi} [a_{max}+\bar{a}_k]^2, \bar{a}_k<0\end{cases}\tag{3} σ2={
π4−π​[amax​−aˉk​]2,aˉk​≥0π4−π​[amax​+aˉk​]2,aˉk​<0​(3)

如果对于x 和 y 维的噪声方差不一样，则分别计算Q，其它的类似，这里当作相等计算

5. 当前统计模型轨迹生成matlab仿真

位置轨迹： 图1
速度轨迹： 图2
加速度轨迹： 图3
加速度变化率轨迹： 图4

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

6. 当前统计CS模型三维目标跟踪

算法：
容积卡尔曼滤波： https://zhangdonglin.blog.csdn.net/article/details/115689468
无迹卡尔曼滤波： https://zhangdonglin.blog.csdn.net/article/details/115381848

传感器： 雷达传感器
雷达量测书数据为距离和角度
r k m = r k + r ~ k b k m = b k + b ~ k {r}_k^m=r_k+\tilde{r}_k\\ b^m_k=b_k+\tilde{b}_k rkm​=rk​+r~k​bkm​=bk​+b~k​
其中
r k = ( x k − x 0 ) + ( y k − y 0 ) 2 ) b k = tan ⁡ − 1 y k − y 0 x k − x 0 r_k=\sqrt{(x_k-x_0)^+(y_k-y_0)^2)}\\ b_k=\tan^{-1}{\frac{y_k-y_0}{x_k-x_0}}\\ rk​=(xk​−x0​)+(yk​−y0​)2)
​bk​=tan−1xk​−x0​yk​−y0​​
[ x 0 , y 0 ] [x_0,y_0] [x0​,y0​]为雷达坐标，一般情况为0。雷达量测为 z k = [ r k , b k ] ′ z_k=[r_k,b_k]’ zk​=[rk​,bk​]′。雷达量测方差为
R k = cov ( v k ) = [ σ r 2 0 0 σ b 2 ] R_k=\text{cov}(v_k)=\begin{bmatrix}\sigma_r^2 & 0 \\0 & \sigma_b^2 \end{bmatrix} Rk​=cov(vk​)=[σr2​0​0σb2​​]

跟踪轨迹如下：

在这里插入图片描述
在这里插入图片描述

7. 其它模型

7.1 匀速转弯CT模型

匀速转弯CT运动模型见另一个博客：包括二维、三维

7.2. 匀加速运动CA模型

匀加速运动CA模型见另一个博客

7.3. “当前”统计模型

当前统计模型见另一个博客

7.4. Singer模型

Singer模型见另一个博客

8. 代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%跟踪轨迹
figure
plot3(sV(1,:,1,1),sV(4,:,1,1),sV(7,:,1,1),'.-k',eV(1,:,1,1),eV(4,:,1,1),eV(7,:,1,1),'--r',eV(1,:,1,2),eV(4,:,1,2),eV(7,:,1,2),'-.b','LineWidth',1)
xlabel('X(m)');ylabel('Y(m)');zlabel('Z(m)');
grid minor;
box on;
legend('真实轨迹','无迹卡尔曼滤波 ','容积卡尔曼滤波 ')
title('当前统计模型3D机动目标跟踪')
%%%%%%%%%%各个维度（X Y Z）跟踪轨迹
ii=1:N; % 1 3 5指的是位置，2 4 5 指的是速度
%%%%%%%% X 跟踪轨迹
figure
plot(ii,sV(1,ii,1,1),'.-k',ii,meaV(1,ii,1),'-g',ii,eV(1,ii,1,1),'--r',ii,eV(1,ii,1,2),'-.b','LineWidth',1)
xlabel('时间(s)');
ylabel('m');
legend('真实轨迹','雷达测量','无迹卡尔曼滤波 ','容积卡尔曼滤波 ')
title('跟踪轨迹：X 维')
%%%%%%%% Y 跟踪轨迹
figure
ii=1:N;
plot(ii,sV(4,ii,1,1),'.-K',ii,meaV(2,ii,1),'-g',ii,eV(4,ii,1,1),'--r',ii,eV(4,ii,1,2),'-.b','LineWidth',1)
%plot3(sV(1,:,1,1),sV(3,:,1,1),sV(5,:,1,1),'g',xV(1,:,1,1),xV(3,:,1,1),xV(5,:,1,1),'b')
xlabel('时间(s)');
ylabel('m');
legend('真实轨迹','雷达测量','无迹卡尔曼滤波 ','容积卡尔曼滤波 ')
title('跟踪轨迹：Z 维')
%%%%%%%% Z 跟踪轨迹
figure
ii=1:N;
plot(ii,sV(7,ii,1,1),'.-K',ii,meaV(3,ii,1),'-g',ii,eV(7,ii,1,1),'--r',ii,eV(7,ii,1,2),'-.b','LineWidth',1)
%plot3(sV(1,:,1,1),sV(3,:,1,1),sV(5,:,1,1),'g',xV(1,:,1,1),xV(3,:,1,1),xV(5,:,1,1),'b')
xlabel('时间(s)');
ylabel('m');
legend('真实轨迹','雷达测量','无迹卡尔曼滤波 ','容积卡尔曼滤波 ')
title('跟踪轨迹：Z 维')
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% %%%画RMSE
for i=1:MC
sprintf('rate of process:%3.1f%%',(3*MC+i)/(4*MC)*100)
for k=1:N
for c=1:chan
error(:,c)=sV(:,k,i,1)-eV(:,k,i,c); 
% RMSE
error2(:,c)=error(:,c).^2;               
error2_dis(c)=error2(1,c)+error2(4,c)+error2(7,c);
error2_vel(c)=error2(2,c)+error2(5,c)+error2(8,c);
position(k,i,c)=error2_dis(c);     
velocity(k,i,c)=error2_vel(c); 
end
end
end
%% RMSE
for c=1:chan
rms_position(:,c)=sqrt(sum(position(:,:,c),2)./MC);  
rms_velocity(:,c)=sqrt(sum(velocity(:,:,c),2)./MC);  
end
ii=1:N;
figure;%position
plot(ii,rms_position(ii,1),'-*r',ii,rms_position(ii,2),'-cs','LineWidth',1);
% legend('EKF','UF')
legend('无迹卡尔曼滤波 ','容积卡尔曼滤波 ')
xlabel('t/s');ylabel('Position RMSE');
figure;%速度
plot(ii,rms_velocity(ii,1),'-*r',ii,rms_velocity(ii,2),'-cs','LineWidth',1);
legend('无迹卡尔曼滤波 ','容积卡尔曼滤波 ')
xlabel('t/s');ylabel('Velocity RMSE');

==原创不易，路过的各位大佬请点个赞=

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/192488.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

赞 (0)
全栈程序员-用户IM全栈程序员-用户IM
0 0
blank

相关推荐

  • SSRF漏洞学习

    SSRF漏洞学习

    SSRF漏洞学习SSRF漏洞原理SSRF(Server-SideRequestForgery:服务器端请求伪造)是一个由攻击者构造请求，在目标服务端执行的一个安全漏洞。攻击者可以利用该漏洞使服务器端向攻击者构造的任意域发出请求，目标通常是从外网无法访问的内部系统。简而言之就是以服务器的身份来执行请求。常见利用方式伪协议读取文件伪协议读取文件，在SSRF中常用的伪协议就是file:///协议/?url=file:///var/www/html/flag.php内网访问我们从目标主机内

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年6月25日
  • IOC控制反转与DI依赖注入

    IOC控制反转与DI依赖注入

    IOC控制反转与DI依赖注入新建UserDao接口新建UserDaoImpl实现类IOC控制反转与DI依赖注入~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~开发工具与关键技术：IntellijIDEASpring作者：周欢撰写时间：2021/1/19~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~IOC（控制反转）作用：实现将组件间的关系从程序内部提…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年6月20日
  • 抖音程序员表白专用代码教程(如何玩抖音)

    抖音程序员表白专用代码教程(如何玩抖音)

    最近很多小伙伴都在抖音上看到了一个vbs表白代码这个玩法，感觉非常的有趣。那么这个是怎么弄的呢?其实很简单。下面小编为大家带来了具体的教程，快来看看吧!抖音vbs表白代码制作教程步骤一：在电脑上新建一个txt文件。步骤二：打开txt文件，复制以下代码粘贴进去(可以修改中文部分，其它代码不要动!)。保存并关闭txt文件。SetSeven=WScript.CreateObject(“WScript.S…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年4月11日
  • journalctl 清理journal日志

    journalctl 清理journal日志

    journalctl 清理journal日志在CentOS7开始使用的systemd使用了journal日志，这个日志的管理方式和以往使用syslog的方式不同，可以通过管理工具维护。使用df-h检查磁盘文件，可以看到/run目录下有日志目录/run/log/journal，占用了数G空间FilesystemSizeUsedAvailUse%Mountedon/dev/ma…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年5月23日
  • day04 JavaScript高级程序设计 阅读总结

    day04 JavaScript高级程序设计 阅读总结

    day04 JavaScript高级程序设计 阅读总结《JavaScript高级程序设计》（第四版）阅读总结额，据说这本是前端er必看书籍，花了20个小时简单把这本书过了一下，目前暂时很少用到的东西我这一遍就没有过了，等以后要用的时候再回来继续学了。先来谈谈这本书的缺点，书籍前面章节用到了一些后面才讲到的东西，比如第三章讲symbol对象时，就用到了后面才讲的iterator和generator。然后就是感觉讲的有点太广了，而且基本没有课后习题，看过就是看过了，顶多自己花时间把书里面的例子都敲一遍。所以我建议应该和现代JavaScript教程一起食用。反

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年8月20日
  • c# pdb文件_pdb文件是什么

    c# pdb文件_pdb文件是什么

    c# pdb文件_pdb文件是什么C++编译生成的pdb文件就是符号表。这些符号表，程序运行的时候没有用。但调试的时候有用，主要记录如下东西：全局变量 局部变量 函数名及其实体指针地址 帧指针表 源代码行数使用pdb文件进行调试，要和当前运行的程序一致。…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年10月21日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号