基于kalman滤波的信息融合算法设计_控制系统仿真课程设计(编辑修改稿)

基于kalman滤波的信息融合算法设计_控制系统仿真课程设计(编辑修改稿)内容摘要：

/(C*P_yc(:,:,k)*C39。 +R)。 X_gj(:,k)=X_yc(:,k)+K(:,:,k)*(Z(:,k)Z_yc(:,k))。 P_gj(:,:,k)=(eye(2)K(:,:,k)*C)*P_yc(:,:,k)。 T_gj(k)=trace(P_gj(:,:,k))。 endend%create figurefigure t=1:150。 plot(t,X(1,t),39。 or39。 )hold onplot(t,X_gj(1,t),39。 g39。 )plot(t,Z(1,t),39。 39。 )hold offlegend(39。 分量一状态39。 ,39。 分量一估计39。 ,39。 分量一预测39。 )xlabel(39。 仿真次数39。 )ylabel(39。 数值39。 )figure plot(t,X(2,t),39。 or39。 ,t,X_gj(2,t),39。 g39。 )hold onplot(t,Z(2,t),39。 39。 )hold offlegend(39。 分量二状态39。 ,39。 分量二估计39。 ,39。 分量二预测39。 )xlabel(39。 仿真次数39。 )ylabel(39。 数值39。 )figureplot(t,abs(Z(2,t)X(2,t)),39。 or39。 )hold onplot(t,abs(X_gj(2,t)X(2,t)),39。 g39。 )hold offlegend(39。 预测与真实之差39。 ,39。 估计与真实之差39。 )xlabel(39。 仿真次数39。 )ylabel(39。 数值39。 )figureplot(t,T_gj(t),39。 g39。 ,t,T_yc(t),39。 or39。 )legend(39。 估计39。 ,39。 预测39。 )xlabel(39。 仿真次数39。 )ylabel(39。 数值39。 )（2）绘出状态预测值和状态估计值的曲线图（每个状态包括两个分量）；（3）绘出预测误差协方差阵迹(Trace)和估计误差协方差阵迹的曲线图；（4）对仿真结果进行分析。 分量的估计值比分量的观测值更接近真实值。 整个时也是估计值更准确。 针对矢量情形，自行选取三组不同的参数进行Kalman滤波的仿真，并进行相应仿真结果的比较分析。 改变Q变大（Q=4）改变R变小（R=4）改变H变小（H=）当R的值变小时，预测值的阵迹会变得下坠更快，预测值本身的震荡会减小，对真实值的偏离会变小。 当Q的值增大时，估计值也会更加偏离真实值。 当H变小时，预测值与真实值偏差变大，估计值与真实值的偏差也会变大。 二）基于线性Kalman滤波信息融合算法考虑如下一类多传感器线性动态估计系统 (10)， (11)其中，是离散的时间变量，为传感器的数目；是系统的状态向量，是系统的状态转移矩阵；是状态的观测向量，是相应的观测矩阵；和是零均值的高斯白噪声过程，且满足如下条件：， (12)初始状态为一随机向量，且满足 (13)那么，对于每一个传感器观测均可执行一)当中基于单个观测的Kalman滤波估计，可得到个局部估计和相应的估计误差协方差矩阵。 从而，可利用分布式加权融合技术将上述个局部Kalman滤波估计进行融合，即： (14)此时，和为融合后的状态估计和相应的融合估计误差协方差矩阵。 问题：给定相应参数（也鼓励采用其他参数），进行上述分布式融合算法的仿真给定如下参数：，，，（1）请利用Matlab软件进行分布式融合估计算法仿真程序编写；%%produce systemclear。 clc。 A=[1 1。 0 1]。 P0=[100 10。 10 100]。 x0=[1。 ]。 X_0=[10。 1]。 C=[1 0。 0 1]。 Q=[ 0。 0 ]。 R=[4 0。 0 4]。