Предскажите ошибочную ковариацию оценки состояния и оценки состояния на следующем временном шаге с помощью сигма-точечного фильтра Калмана или фильтра частиц
predict
команда предсказывает ошибочную ковариацию оценки состояния и оценки состояния extendedKalmanFilter
, unscentedKalmanFilter
или particleFilter
объект на следующем временном шаге. Чтобы реализовать алгоритмы сигма-точечного фильтра Калмана, используйте predict
и correct
команды вместе. Если измерение текущей производительности существует, можно использовать predict
и correct
. Если измерение отсутствует, можно только использовать predict
. Для получения информации о порядке, в котором можно использовать команды, смотрите Используя, предсказывают и корректируют Команды.
Используйте это predict
команда для онлайновой оценки состояния с помощью данных реального времени. Когда данные не будут доступны в режиме реального времени, чтобы вычислить K-шаг вперед выход идентифицированной модели, использовать predict
для оффлайновой оценки.
[
предсказывает оценку состояния и ошибочную ковариацию оценки состояния сигма-точечного фильтра Калмана или объект PredictedState
,PredictedStateCovariance
]
= predict(obj
)obj
фильтра частиц на следующем временном шаге.
Вы создаете obj
использование extendedKalmanFilter
, unscentedKalmanFilter
или particleFilter
команды. Вы задаете функцию изменения состояния и функцию измерения вашей нелинейной системы в obj
. Вы также задаете, являются ли условия шума процесса и измерения дополнением или недополнением в этих функциях. State
свойство объектно-ориентированной памяти последнее предполагаемое значение состояния. Примите на временном шаге k
, obj.State
. Это значение является оценкой состояния за время k
, предполагаемое использование измеряло выходные параметры до времени k
. Когда вы используете predict
команда, программное обеспечение возвращается в PredictedState
вывод . Где оценка состояния за время k+1
, предполагаемое использование измеряло выход до времени k
. Команда возвращает ошибочную ковариацию оценки состояния в PredictedStateCovariance
вывод . Программное обеспечение также обновляет State
и StateCovariance
свойства obj
с этими откорректированными значениями.
Используйте этот синтаксис, если изменение состояния функционирует f, который вы задали в obj.StateTransitionFcn
имеет одну из следующих форм:
x(k) = f(x(k-1))
— для шума аддитивного процесса.
x(k) = f(x(k-1),w(k-1))
— для неаддитивного шума процесса.
Где x
и w
состояние и шум процесса системы. Единственные входные параметры к f являются шумом процесса и состояниями.
[
задает дополнительные входные параметры, если функция изменения состояния системы требует этих входных параметров. Можно задать несколько аргументов.PredictedState
,PredictedStateCovariance
]
= predict(obj
,Us1,...Usn
)
Используйте этот синтаксис, если ваша функция изменения состояния f имеет одну из следующих форм:
x(k) = f(x(k-1),Us1,...Usn)
— для шума аддитивного процесса.
x(k) = f(x(k-1),w(k-1),Us1,...Usn)
— для неаддитивного шума процесса.
clone
| correct
| extendedKalmanFilter
| initialize
| particleFilter
| residual
| unscentedKalmanFilter