在模型未知的情况下, 估计过程的重要变量尤为重要. 鉴于此, 采用不敏卡尔曼滤波(UKF) 与神经网络相结合的方法, 解决一类未知模型非线性系统的状态估计问题. 采用动态神经网络对非线性系统进行建模, 利用UKF 对状态和权值进行同时更新, 从而达到神经网络逼近真实模型, 估计值跟随真实值的目的. 通过两个仿真实例表明了所提出的方法具有良好的估计效果, 并且状态在输出中的比重越大, 其估计精度越高.
2021-12-20 11:31:41
1.03MB
1
程序功能：无迹卡尔曼滤波UKF定位算法与最小二乘LS定位算法比较分析MATLAB源码.m
程序功能：UKF与LS算法比较分析MATLAB源码
基于3个基站观测距离的目标跟踪LS状态估计
基于3个基站观测距离的目标跟踪UKF状态估计
2021-12-18 21:03:26
2KB
这是不敏卡尔曼的示例代码，可运行；
不敏卡尔曼滤波器通过sigma采样点对非线性进行近似，效果优于扩展卡尔曼滤波器，是目前常用滤波器之一
2021-11-30 15:39:26
2KB
1
【路径规划】基于UKF和MPC实现无人机编队路径避碰matlab源码.zip
2021-11-25 09:58:34
889KB
1
【PS：刚才上传的排版出错了，这个是好的】
翻译来自以下链接PDF
【无迹卡尔曼滤波器 https://www.cse.sc.edu/~terejanu/files/tutorialUKF.pdf】；
附件包括
【1.PDF原文；2.翻译内容】
2021-11-23 16:29:03
1.2MB
1
无迹卡尔曼滤波（UKF）是重要的非线性滤波方法。 无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算，在不对非线性方程线性近似的条件下，达到线性卡尔曼滤波器的滤波性能。
2021-11-16 13:28:01
215KB
1
针对SINS/GPS组合导航中量测噪声统计特性不准确引起卡尔曼滤波精度下降的问题,提出基于变分贝叶斯自适应无迹卡尔曼滤波(VB-UKF)的非线性融合方法。分析了线性的变分贝叶斯自适应卡尔曼滤波(VB-KF)算法的原理与性能,针对其仅适用于线性系统的问题,将VB-KF与UKF结合导出了非线性的VB-UKF算法。该算法可对系统状态和时变的量测噪声方差进行同步非线性估计,且与传统的UKF算法具有统一的形式。导航仿真结果表明:VB-UKF对于突变或慢变的量测噪声方差均能实时跟踪,较常规UKF算法可有效降低噪声统计
2021-11-14 16:28:47
904KB
1