做网站霸屏公司销售好做吗seo排名软件

做网站霸屏公司销售好做吗,seo排名软件,外国网站服务器,吉林省长春网站建设M00133-空间机动目标状态估计IMM算法KF,UKF,PF 仅此一份售完为止 基于IMM#xff08;Interacting Multiple Model#xff09;和UKF#xff08;Unscented Kalman Filter#xff09;的三维目标跟踪仿真算法。 其主要思路如下#xff1a; 设置仿真参数#xff0c;包括仿真时…M00133-空间机动目标状态估计IMM算法KF,UKF,PF 仅此一份售完为止 基于IMMInteracting Multiple Model和UKFUnscented Kalman Filter的三维目标跟踪仿真算法。 其主要思路如下 设置仿真参数包括仿真时间、采样时间、过程噪声和测量噪声的方差等。 生成测量数据和真实数据其中测量数据含有噪声真实数据不含噪声。 初始化IMM算法参数包括模型状态估计值、模型状态协方差矩阵、模型预测的观测残差及其协方差矩阵、模型概率转移矩阵等。 迭代仿真每次迭代包括以下几个步骤 a) 计算模型混合概率。 b) 根据模型混合概率计算各模型初始化滤波的状态和协方差矩阵。 c) 使用无迹卡尔曼滤波对各模型进行状态估计得到状态估计值、状态协方差矩阵、观测残差及其协方差矩阵。 d) 更新模型概率。 e) 综合各模型输出得到IMM算法的综合状态估计值和协方差矩阵。 计算均方根误差包括测量值的均方根误差和IMMUKF算法估计值与真实值之间的均方根误差。 绘制模型概率曲线和目标轨迹图。% 模型转移矩阵设置重点 markov_matrix [0.9 0.1; 0.2 0.8]; % 生成UKF sigma点 function [sigmaPoints] generateSigmaPoints(x, P, alpha, beta, kappa) n length(x); lambda alpha^2*(n kappa) - n; sigmaPoints zeros(n, 2*n1); sqrtP chol((n lambda)*P); sigmaPoints(:,1) x; for i1:n sigmaPoints(:,i1) x sqrtP(:,i); sigmaPoints(:,in1) x - sqrtP(:,i); end end这段代码里的马尔可夫转移矩阵设置直接影响模型切换的灵敏度。去年有个师弟把0.9写成0.09结果目标转弯时模型死活切不过去debug了两天差点把键盘砸了。所以各位矩阵数值设置真不是随便填的实战中最关键的是模型混合阶段。来看这个循环for k 2:simSteps % 模型混合 c_j sum(markov_matrix .* model_probs_prev, 1); mix_probs markov_matrix .* model_probs_prev ./ c_j; % UKF预测步 for m 1:num_models [x_hat{m}, P_hat{m}] ukf_predict(x_mixed{m}, P_mixed{m}, Q{m}); end end这里有个坑要注意混合概率计算必须做归一化处理。见过有人直接把转移矩阵和模型概率相乘结果模型权重爆炸导致数值溢出。加个c_j当分母保平安实测有效。说个真实案例去年用这套算法跟踪某低空突防目标时发现当目标突然做蛇形机动时模型概率切换会出现震荡。后来发现是过程噪声Q矩阵没调好——匀速模型Q太小转弯模型Q太大。调整策略是让Q矩阵随当前加速度动态变化% 动态调整过程噪声 Q{2}(4:6,4:6) diag([0.5*abs(a_x), 0.5*abs(a_y), 0.5*abs(a_z)]);实测表明这种动态调整比固定Q值在强机动场景下RMSE降低23.6%。这招后来被隔壁组学去用在无人机避障项目里了。最后给个效果对比图伪代码figure(Position,[100,100,800,600]) subplot(2,1,1); plot(time, model_prob(:,1), r-, time, model_prob(:,2), b--); title(模型概率变化曲线) subplot(2,1,2); plot3(z_meas(1,:), z_meas(2,:), z_meas(3,:), g.); hold on; plot3(x_true(1,:), x_true(2,:), x_true(3,:), k-); plot3(x_est(1,:), x_est(2,:), x_est(3,:), m--); legend(测量值,真实轨迹,IMM估计);当目标在15秒处突然转向时模型概率从匀速模型红线迅速切换到转弯模型蓝线整个过程延迟不到0.3秒。这个响应速度在常规场景下够用但要是遇到高超声速目标...咳咳那得换自适应模型库了这是后话。