这个项目的目标是创建一个MATLAB/ c++框架，用于在forney风格的因子图上进行推断。含有EKF因子图滤波实例。
使用平台为MATLAB。
目前支持高斯分布。
2022-11-06 15:06:17
140KB
1
edk 使用了matlab中s函数编写，比较好简洁
2022-11-03 16:50:30
2KB
1
用EKF算法进行仿真，模拟了PMSM的电机动态数据，取得良好效果
2022-11-02 20:40:54
19KB
1
EEKF - 嵌入式扩展卡尔曼滤波器
该项目在 C 中实现了一个扩展卡尔曼滤波器，用于嵌入式应用程序。 主要特点是：
小实现
使用回调进行状态转换和测量预测功能的简单 C 接口
可用于非线性（扩展）和线性卡尔曼滤波器情况
没有动态内存分配
专用最小矩阵计算模块
使用 Cholesky 分解的高效滤波器计算
分离的预测和校正步骤
输入和测量维度允许在步骤之间改变
什么是卡尔曼滤波器？
使用卡尔曼滤波器，可以通过仅测量可见输出来估计过程/系统的内部隐藏状态。 这广泛用于惯性测量单元 (IMU)，以进行传感器融合或航位侦察。 只要没有测量可用，过滤器就会预测系统的当前状态。 一旦测量可用，它将更新估计值。 这称为预测和校正步骤。 有关更多信息，请参阅 。
那么什么是扩展卡尔曼滤波器？
在线性滤波器的情况下，从一个时间步到下一个时间步的状态是线性相关的。 这意味着它们存在一个表达这一点的常量
2022-10-27 14:13:50
14KB
1
采用二阶RC模型，需要代入自己的数据的地方：
R0 = @(x)(-0.07495*(x(4))^4+0.2187*(x(4))^3-0.1729*(x(4))^2+0.01904*(x(4))+0.1973);
R1 = @(x)(0.07826*(x(4))^4-0.2208*(x(4))^3+0.217*(x(4))^2-0.08761*(x(4))+0.01664);
R2 = @(x)(0.1248*(x(4))^4-0.2545*(x(4))^3+0.1254*(x(4))^2-0.03868*(x(4))+0.05978);
C1 = @(x)(2431*(x(4))^4-4606*(x(4))^3+3084*(x(4))^2-589*(x(4))+209.8);
C2 = @(x)(681.1*(x(4))^4-3197*(x(4))^3+4595*(x(4))^2-3114*(x(4))+1444);
2022-10-21 20:38:32
14.25MB