EKF,UKF,PF三种算法的比较粒子滤波matlab仿真程序EKF,UKF,PF三种算法的比较matlab仿真程序.pdf

% EKF UKF PF 的三个算法 clear; % tic; x = 0.1; % 初始状态 x_estimate = 1;%状态的估计 e_x_estimate = x_estimate; %EKF 的初始估计 u_x_estimate = x_estimate; %UKF 的初始估计 p_x_estimate = x_estimate; %PF 的初始估计 请输入过程噪声方差 的值 过程状态协方差 Q = 10;%input( Q : ); % 请输入测量噪声方差 的值 测量噪声协方差 R = 1;%input( R : ); % P =5;%初始估计方差 e_P = P; %UKF 方差 u_P = P;%UKF 方差 pf_P = P;%PF 方差 tf = 50; % 模拟长度 x_array = [x];%真实值数组 e_x_estimate_array = [e_x_estimate];%EKF 最优估计值数组 u_x_estimate_array = [u_x_estimate];%UKF 最优估计值数组 p_x_estimate_array = [p_x_estimate];%PF 最优估计值数组 u_k = 1; %微调参数 u_symmetry_number = 4; % 对称的点的个数 u_total_number = 2 * u_symmetry_number + 1; %总的采样点的个数 linear = 0.5; N = 500; %粒子滤波的粒子数 close all; 粒子滤波初始 个粒子 % N for i = 1 : N p_xpart(i) = p_x_estimate + sqrt(pf_P) * randn; end for k = 1 :tf % 模拟系统 x = linear * x + (25 *x / (1 + x^2)) + 8 * cos(1.2*(k-1)) + sqrt(Q) * randn; %状态值 y = (x^2 / 20) + sqrt(R) * randn; %观测值 %扩展卡尔曼滤波器 %进行估计 第一阶段的估计 e_x_estimate_1 = linear * e_x_estimate + 25 * e_x_estimate /(1+e_x_estimate^2) + 8 * cos(1.2*(k-1)); 这是根据 时估计值为 得到的观测值；只是这个由 e_y_estimate = (e_x_estimate_1)^2/20; % k=1 1 我估计得到的 第 行的 也是观测值 不过是由加了噪声的真实值得到的 24 y %相关矩阵 e_A = linear + 25 * (1-e_x_estimate^2)/((1+e_x_estimate^2)^2);%传递矩阵 e_H = e_x_estimate_1/10; %观测矩阵 %估计的误差 e_p_estimate = e_A * e_P * e_A + Q; %扩展卡尔曼增益 e_K = e_p_estimate * e_H/(e_H * e_p_estimate * e_H + R); %进行估计值的更新 第二阶段 e_x_estimate_2 = e_x_estimate_1 + e_K * (y - e_y_estimate); %更新后的估计值的误差 e_p_estimate_update = e_p_estimate - e_K * e_H * e_p_estimate; %进入下一次迭代的参数变化 e_P = e_p_estimate_update; e_x_estimate = e_x_estimate_2; % 粒子滤波器 % 粒子滤波器 for i = 1 : N