各种滤波算法的比较（GF、KF、EKF、UKF、PF）

目录

一、前言

二、滤波算法介绍

1、GF（高斯滤波）

2、KF（卡尔曼滤波）

3、EKF（可扩展卡尔曼滤波）

4、UKF（无迹卡尔曼滤波）

5、PF（粒子滤波）

三、不同滤波算法对比

四、不同滤波算法的表现

五、简单实现

一、前言

为了使基于RSSI/CSI等室内定位的结果更加地稳定，让滤波后的RSSI/CSI值更接近真实值，针对不同场景引入合适的滤波算法是很有必要的。当然文章并非只针对室内定位这个领域，其它领域，特别是信号或者通信领域，了解各种滤波算法也是非常重要的！

二、滤波算法介绍

1、GF（高斯滤波）

高斯滤波是一种根据高斯函数的形状来选择权值的线性平滑滤波器，它对抑制服从正态分布的噪声非常有效，从而达到平滑数据的目的。

2、KF（卡尔曼滤波）

卡尔曼滤波算法是一种抑制高斯噪声有效的最优化自回归数据处理算法，对于系统过程的滤波比较好，能够有效滤除信号发生的突变。并且对于变化快速、实时更新的线性系统有着非常好的寻优及滤波效果。

卡尔曼滤波原理的详细解释可参考下面文章：

CSI数据预处理之卡尔曼滤波、高斯滤波、简单平均-CSDN博客

3、EKF（可扩展卡尔曼滤波）

扩展卡尔曼滤波器是对KF的改进衍生，它将非线性函数进行泰勒展开，然后省略高阶项，保留展开项的一阶项，以此来实现非线性函数线性化，最后通过卡尔曼滤波算法近似计算系统的状态估计值和方差估计值。

4、UKF（无迹卡尔曼滤波）

无迹卡尔曼滤波算法也是对KF的改进衍生，它舍弃了EKF算法的线性化过程，采用无迹变换（Unscented Transform，UT）巧妙地避免了线性化所带来的误差，同时减少了算法的复杂度（UKF不需要在每个实例中计算雅可比矩阵），克服了EKF算法的估计精度低、稳定性差的缺陷。

5、PF（粒子滤波）

粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。和其它非线性滤波方法相同，它也是一种次优的滤波方法

三、不同滤波算法对比

四、不同滤波算法的表现

五、简单实现

本文就是做一个简单实现，其中高斯滤波和卡尔曼滤波比较基础，就不再展示。首先，定义一个简单的非线性状态空间模型，例如一个带有噪声的一维运动模型：

% 非线性状态空间模型
A = 1;  % 状态转移矩阵
B = 0;  % 控制输入矩阵
H = 1;  % 观测矩阵
% 状态转移方程
f = @(x) A*x + B*randn;
% 观测方程
h = @(x) H*x + randn;

可扩展卡尔曼滤波：

% 初始状态和协方差
x0 = 0;
P0 = 1;
% EKF算法
x_EKF = zeros(1, 100);  % 存储估计状态
P_EKF = zeros(1, 100);  % 存储估计协方差
x_pred = x0;
P_pred = P0;
for k = 1:100
    % 预测步骤
    x_pred = f(x_pred);
    P_pred = A*P_pred*A';
    % 更新步骤
    K = P_pred*H'/(H*P_pred*H' + 1);
    z = h(x_pred);
    x_pred = x_pred + K*(z - H*x_pred);
    P_pred = (1 - K*H)*P_pred;
    x_EKF(k) = x_pred;
    P_EKF(k) = P_pred;
end

无迹卡尔曼滤波：

% UKF算法
x_UKF = zeros(1, 100);  % 存储估计状态
P_UKF = zeros(1, 100);  % 存储估计协方差
% 参数设置
alpha = 1e-3;
beta = 2;
kappa = 0;
% 初始化Sigma点
n = numel(x0);
lambda = alpha^2 * (n + kappa) - n;
weights = 1 / (2 * (n + lambda)) * ones(1, 2*n+1);
weights(1) = lambda / (n + lambda);
X = zeros(n, 2*n+1);
X(:,1) = x0;
P_sqrt = chol(P0, 'lower');
for i = 1:n
    X(:,i+1) = x0 + sqrt(n + lambda) * P_sqrt(:,i);
    X(:,n+i+1) = x0 - sqrt(n + lambda) * P_sqrt(:,i);
end
for k = 1:100
    % 预测步骤
    X_pred = zeros(size(X));
    for i = 1:2*n+1
        X_pred(:,i) = f(X(:,i));
    end
    x_pred = X_pred * weights';
    P_pred = zeros(size(P0));
    for i = 1:2*n+1
        P_pred = P_pred + weights(i) * (X_pred(:,i) - x_pred) * (X_pred(:,i) - x_pred)';
    end
    % 更新步骤
    Z = zeros(1, 2*n+1);
    for i = 1:2*n+1
        Z(i) = h(X_pred(:,i));
    end
    z_pred = Z * weights';
    Pzz = zeros(size(H*P_pred*H'));
    Pxz = zeros(size(P_pred));
    for i = 1:2*n+1
        Pzz = Pzz + weights(i) * (Z(i) - z_pred) * (Z(i) - z_pred)';
        Pxz = Pxz + weights(i) * (X_pred(:,i) - x_pred) * (Z(i) - z_pred)';
    end
    K = Pxz / Pzz;
    x_pred = x_pred + K * (h(x_pred) - z_pred);
    P_pred = P_pred - K * Pzz * K';
    
    x_UKF(k) = x_pred;
    P_UKF(k) = P_pred;
end

 粒子滤波：

% PF算法
x_PF = zeros(1, 100);  % 存储估计状态
P_PF = zeros(1, 100);  % 存储估计协方差
% 参数设置
num_particles = 1000;
% 初始化粒子
particles = randn(1, num_particles);
for k = 1:100
    % 预测步骤
    particles = f(particles);
    % 更新步骤
    weights_PF = exp(-(h(particles) - 1).^2 / (2 * 1^2));  % 高斯权重函数
    % 归一化权重
    weights_PF = weights_PF / sum(weights_PF);
    % 重采样
    indices = randsample(1:num_particles, num_particles, 'true', weights_PF);
    particles = particles(indices);
    % 估计状态和协方差
    x_PF(k) = mean(particles);
    P_PF(k) = var(particles);
end

生成符合高斯分布的状态和观测值：

% 生成符合高斯分布的状态和观测值
true_states = zeros(1, 100);
observations = zeros(1, 100);
true_states(1) = randn();  % 初始状态符合高斯分布
observations(1) = true_states(1) + 0.5*randn();  % 初始观测值加入噪声
for k = 2:100
    % 状态转移模型
    true_states(k) = 0.9 * true_states(k-1) + 0.1 * randn();
    % 观测模型
    observations(k) = true_states(k) + 0.5*randn(); % 添加观测噪声
end

三种滤波算法可视化：

% 画图
figure;
subplot(3,1,1);
plot(1:100, true_states, 'LineWidth', 1.2, 'DisplayName', 'True State');
hold on;
plot(1:100, x_EKF, 'LineWidth', 1.2, 'DisplayName', 'EKF');
title('Extended Kalman Filter (EKF)');
xlabel('Time step');
ylabel('State');
legend;
subplot(3,1,2);
plot(1:100, true_states, 'LineWidth', 1.2, 'DisplayName', 'True State');
hold on;
plot(1:100, x_UKF,  'LineWidth', 2, 'DisplayName', 'UKF');
title('Unscented Kalman Filter (UKF)');
xlabel('Time step');
ylabel('State');
legend;
subplot(3,1,3);
plot(1:100, true_states, 'LineWidth', 1.2, 'DisplayName', 'True State');
hold on;
plot(1:100, x_PF, 'LineWidth', 2, 'DisplayName', 'PF');
title('Particle Filter (PF)');
xlabel('Time step');
ylabel('State');
legend;

 效果：

博主的每篇博文都是用心去写的，喜欢的可以多多支持和收藏，创作不易，未经作者允许，请勿转载或者抄袭。因为抄袭风气盛行，故一些细节或者代码没有展示，敬请谅解，如有疑问，可以加入我们的室内定位大家庭！


http://www.niftyadmin.cn/n/5244716.html

相关文章

1.1美术理论基础

1.1美术理论基础

一、光影 物体呈现在人们眼前的时候，不同的受光面其明暗变化以及物体的影子。 1.什么是黑白灰 在美术中黑白灰指亮面、灰面、暗面，属于素描的三大面，主要体验一个物体的整体寿光过程。普遍存在于各种艺术和设计领域。黑白灰作品的出现&#x…
阅读更多...
Java 聊天

Java 聊天

TCP（一对一）聊天 import java.io.*; import java.net.Socket; import java.util.Date; import javax.swing.*;public class c {private JFrame jf;private JButton jBsend;private JTextArea jTAcontent;private JTextField jText;private JLabel JLco…
阅读更多...
【玩转TableAgent 数据智能分析】-- 数据分析不再是专业人士的专利

【玩转TableAgent 数据智能分析】-- 数据分析不再是专业人士的专利

文章目录 前言一、TableAgent介绍TableAgent 数据分析智能体融合创新应用的新成果Table Family 二、注册TableAgent访问TableAgent注册用量 三、 体验TableAgent样例数据集体验选择样例数据集样例数据集进行数据分析数据图 样例数据集进行数据分析规定图表格式数据图 自定义数据…
阅读更多...
C++ - 简化线程调用的好方法 - 传递类普通成员函数指针给线程作为参数

C++ - 简化线程调用的好方法 - 传递类普通成员函数指针给线程作为参数

文章目录 C - 简化线程调用的好方法 - 传递类普通成员函数指针给线程作为参数概述调用效果简化线程调用方法的实现线程启动函数的实现我自己封装的线程类备注END C - 简化线程调用的好方法 - 传递类普通成员函数指针给线程作为参数 概述 以前启动线程, 每个启动线程的地方都要…
阅读更多...
QString::arg()函数用法（数字前补零）

QString::arg()函数用法（数字前补零）

QString中的arg方法类似于 (1)“C中的printf中使用的格式输出符”和 (2)“C中string的append方法”的结合体。 常用的两种格式如下： 1. 用于填充字符串中的%1,%2…为给定的参数。 //原型： QString QString::arg(const QString & a1) &#xff08…
阅读更多...
万宾科技智能水环境综合治理监测系统效果

万宾科技智能水环境综合治理监测系统效果

水环境综合治理是一项旨在全面改善水环境质量的系统工程。它以水体为对象，综合考虑各种因素，通过科学规划和技术手段，解决水环境污染、生态退化等问题，核心理念是“统一规划、分步实施；标本兼治，重在治本&a…
阅读更多...
【改进YOLOv8】融合Gold-YOLO的车辆未礼让行人检测系统

【改进YOLOv8】融合Gold-YOLO的车辆未礼让行人检测系统

1.研究背景与意义 项目参考AAAI Association for the Advancement of Artificial Intelligence 研究背景与意义 随着交通工具的普及和道路交通量的增加，交通安全问题日益凸显。尤其是车辆未礼让行人的情况频繁发生，给行人的生命安全带来了严重威胁。因…
阅读更多...
深入理解Java对象

深入理解Java对象

1. 对象一定分配在堆上吗？ 在Java中，对象的分配通常发生在堆（Heap）上，这是Java内存管理的一部分。然而，这个说法需要一些细化和额外的说明： 对象通常分配在堆上 堆内存：在Java中&…
阅读更多...
最新文章

Copyright @ 2022~2023