python编程简单案例_[五组数据]详解一个简单的卡尔曼滤波器python编程实例
上半年毕设的时候接触了卡尔曼滤波器,用matlab实现了该过程,尝试在一个课后作业中用三维度矩阵来存储变量的方式,结构似乎更好理解,记录一下分析的过程。
假如有一块电阻,你不知道它的阻值是多少,你想通过多次测量电压和电流值,从而用定义法求出来它的阻值大小,测量结果如下表所示:Current (A)Voltage (V)
0.21.23
0.31.38
0.42.06
0.52.47
0.63.17
但实际上,每次测量都有一些‘噪声’,因此修正的公式应该是这样 = +
如果在一张图片上显示这些坐标的话,
import numpy as np
from numpy.linalg import inv
import matplotlib.pyplot as plt
I = np.array([[0.2, 0.3, 0.4, 0.5, 0.6]]).T
V = np.array([[1.23, 1.38, 2.06, 2.47, 3.17]]).T
plt.scatter(I, V)
plt.xlabel('Current (A)')
plt.ylabel('Voltage (V)')
plt.grid(True)
plt.show()
如果采用最小二乘法的话,可以得到这样的图像。
## Batch Solution
H = np.ones((5, 2))
H[:, 0] = I.ravel()
x_ls = inv(H.T.dot(H)).dot(H.T.dot(V))
print('The slope and offset parameters of the best-fit line (i.e., the resistance and offset) are [R, b]:')
print(x_ls[0, 0])
print(x_ls[1, 0])
# Plot line.
I_line = np.arange(0, 0.8, 0.1).reshape(8, 1)
V_line = x_ls[0]*I_line + x_ls[1]
plt.scatter(I, V)
plt.plot(I_line, V_line)
plt.xlabel('Current (A)')
plt.ylabel('Voltage (V)')
plt.grid(True)
plt.show()
那么应用卡尔曼滤波器该如何操作呢?
思考一下矩阵的维度: | 变量 | 维度 | |--|--| | U | (5,1) | | I | (5,1) | | x_k | (2,1) | |P_k | (2,2) | |R_k | (1,1) | |x_hist| (6,2) | |P_hist | (6,2,2) | |H_k | (5,2) | |K_k | (2,5) |
因此,我们来检查一下更新过程中这三组的维数是否正确。
K_k = P_hist[k,:,:].dot(H_k.T).dot(np.linalg.pinv(H_k.dot(P_hist[k,:,:]).dot(H_k.T) + R_k))
P_hist[k,:,:]选择了P_hist的第k行,而它是(6,2,2)的矩阵,因此其维数是(2,2),即取出了一行(1,2,2). 因此K_k的计算如下:分子部分的维度是 (2,2)和(2,5)相乘,为(2,5)
分母部分 (5,2),(2,2),(2,5)相乘,再加上R_k(广播机制),为(5,5)
那么最后是(2,5)与(5,5)相乘,为(2,5)的矩阵
x_k = x_k + K_k.dot( V/I - H_k.dot(x_k))
x_k是(2,1)的矩阵,V/I是(5,1)的矩阵,H_k.dot(x_k)是 (5,2)与(2,1)相乘,结果为(5,1)的矩阵,那么再和K_k相乘,结果是(2,5)与(5,1)相乘,是(2,1),因此更新后的x_k同样为(2,1)的矩阵,计算正确。
P_k = (1 - K_k.dot(H_k)).dot(P_hist[k,:,:])
K_k.dot(H_k)是(2,5)的矩阵和(5,2)的相乘为(2,2),而P_hist[k,:,:]为(2,2),因此更新后P_k依然是(2,2),更新正确。
还有一个细节就是说,只用X_hist和P_hist存储数据,其他变量不存储只做更新作用,即不断的将新的值填充到X和P中,想象P是一个立方体,不断的从上到下叠一层层薄片数据。
完整代码如下:
## Recursive Solution
# Initialize the 2x1 parameter vector x (i.e., x_0).
x_k = 10 * np.random.rand(2,1)
#Initialize the 2x2 covaraince matrix (i.e. P_0). Off-diangonal elements should be zero.
P_k = 0.01 * np.random.rand(2,2)
#x_k = np.array([[0.2],[1]])
#P_k = np.array([[0.01,0.01],[0.2,0.03]])
# Our voltage measurement variance (denoted by R, don't confuse with resistance).
R_k = np.array([[0.0225]])
# Pre allocate space to save our estimates at every step.
num_meas = I.shape[0]
x_hist = np.zeros((num_meas + 1, 2))
P_hist = np.zeros((num_meas + 1, 2, 2))
x_hist[0] = x_k.T
P_hist[0] = P_k
# Iterate over all the available measurements.
for k in range(num_meas):
# Construct H_k (Jacobian).
H_k = np.ones((num_meas, 2))
# Construct K_k (gain matrix).
K_k = P_hist[k,:,:].dot(H_k.T).dot(np.linalg.pinv(H_k.dot(P_hist[k,:,:]).dot(H_k.T) + R_k))
# Update our estimate.
x_k = x_k + K_k.dot( V/I - H_k.dot(x_k))
# Update our uncertainty (covariance)
P_k = (1 - K_k.dot(H_k)).dot(P_hist[k,:,:])
# Keep track of our history.
P_hist[k + 1,:,:] = P_k
x_hist[k + 1] = x_k.T
print('The slope and offset parameters of the best-fit line (i.e., the resistance and offset) are [R, b]:')
print(x_k[0, 0])
print(x_k[1, 0])
那么我们展示一下结果:
plt.scatter(I, V, label='Data')
plt.plot(I_line, V_line, label='Batch Solution')
plt.xlabel('Current (A)')
plt.ylabel('Voltage (V)')
plt.grid(True)
I_line = np.arange(0, 0.8, 0.1).reshape(8, 1)
for k in range(num_meas):
V_line = x_hist[k, 0]*I_line + x_hist[k, 1]
plt.plot(I_line, V_line, label='Measurement {}'.format(k))
plt.legend()
plt.show()
由于只有5次测量,不一定能到达最佳的结果,因此我们可以尝试多次初始化X和P值。
可以明显的看出,随着真实数据的持续输入,测量值越来越接近最佳的结果。 因此也称为Recursive Solution(递归解法)
python编程简单案例_[五组数据]详解一个简单的卡尔曼滤波器python编程实例相关推荐
- 交换机最多可以接几个_【技术】详解一个交换机能带动多少个网络监控摄像头?...
原标题:[技术]详解一个交换机能带动多少个网络监控摄像头? 一个交换机能带动多少个网络监控摄像头?千兆交换机一般接200万网络摄像机能接几个?24个网络头,用一台24口百兆交换机行不行?下面就这类问题 ...
- python有趣的案例_爬虫 (十九) 有趣的例子认识 while 循环 (十)|python爬虫|python入门|python教程...
https://www.xin3721.com/eschool/pythonxin3721/ 用while来循环 while,翻译成中文是"当...的时候",这个单词在英语中,常常 ...
- 高并发编程_高并发编程系列:7大并发容器详解(附面试题和企业编程指南)...
不知道从什么时候起,在Java编程中,经常听到Java集合类,同步容器.并发容器,高并发编程成为当下程序员需要去了解掌握的技术之一,那么他们有哪些具体分类,以及各自之间的区别和优劣呢? 只有把这些梳理 ...
- python 依据某几列累加求和_关于Python数组求和的四个问题及详解,让你更加爱Python!...
总结了四个数求和的问题及详解,如果你正在学习Python的话,可以多学习一下. | 问题一:专题概述 代码相关 本节的内容 通过第一个问题来初步了解数组求和的两种常用方法 Two Sum 给定一个整数 ...
- python ip动态代理_给自己的爬虫做一个简单的动态代理池
使用代理服务器一直是爬虫防BAN最有效的手段,但网上的免费代理往往质量很低,大部分代理完全不能使用,剩下能用的代理很多也只有几分钟的寿命,没法直接用到爬虫项目中. 下面简单记录一下我用scrapy+r ...
- python原理及代码_原理+代码|详解层次聚类及Python实现
前言 聚类分析是研究分类问题的分析方法,是洞察用户偏好和做用户画像的利器之一.聚类分析的方法非常多,能够理解经典又最基础的聚类方法 -- 层次聚类法(系统聚类) 的基本原理并将代码用于实际的业务案例是 ...
- Python爬虫:爬取喜马拉雅音频数据详解
前言 喜马拉雅是专业的音频分享平台,汇集了有声小说,有声读物,有声书,FM电台,儿童睡前故事,相声小品,鬼故事等数亿条音频,我最喜欢听民间故事和德云社相声集,你呢? 今天带大家爬取喜马拉雅音频数据,一 ...
- 鱼骨图分析法实际案例_【管理工具详解】鱼骨图分析法
第一部分 鱼骨头分析法 一.鱼骨图分析法的由来 鱼骨图是由日本管理大师石川馨先生所发明出来的,故又名石川图.鱼骨图是一种发现问题"根本原因"的方法,它也可以称之为"Ish ...
- python写文件字母_不能错过!详解Python文件读写。
我:小哥哥,之前的文件操作我不是很懂,能详细讲一下吗? 惨绿青年:既然你诚心诚意地问了,我就大发慈悲告诉你吧. 我:??? 惨绿青年:开个玩笑嘛,眼睛不要瞪这么大. 惨绿青年:文件操作其实很简单,使用 ...
最新文章
- 设计模式——单例模式(Singleton)
- Swift学习 OOP三大特性:继承、多态、封装
- 某多多买菜程序员:最长持续工作时间高达30小时!睁眼就工作,闭眼就睡觉!多多买菜离职率超级高!公司不得不降低门槛持续招人!...
- ARKit如何将太阳系装进iPhone(二)
- windows 7下如何卸载重装mysql 压缩包版百度经验_windows下安装、卸载mysql服务的方法(mysql 5.6 zip解压...
- 页面间传输中文的乱码解决方法
- getparameter方法中文显示问号解决方法_电脑显示器花屏怎么办 电脑显示器花屏解决方法【原因分析】...
- 基于智能计算的降维技术研究与应用
- [Leetcode][JAVA][第912题][排序算法]
- 操作系统—多生产者多消费者问题
- java项目整合mybatis_JavaWeb项目整合Spring,SpringMVC,Mybatis框架
- 开发时浏览器缓存问题
- 网络流概念及相关算法介绍
- 9. explain
- 2021:医学视觉问答的多元模型量化Multiple Meta-modal Quantifying for Medical Visual Question Answering
- 计算机无线网络怎么连接打印机共享打印机,无线网络如何设置打印机共享,给详细步骤...
- 特性(Attribute)
- 「地图神器」MapOnline : ArcGIS在线地图加载插件
- 利用 FFMPEG 批量提取指定起止时间视频片段
- 《编程之美》学习笔记
热门文章
- 我,程序员,想做人工智能,可现实劝我回头是岸!
- java jdk9.0.1和1.9_jdk1.5-jdk1.9的主要区别
- kubeadm 部署 kubernetes:v1.23.4集群
- Python类与对象引用案例:地名查询
- 详解 Rxjs 响应式编程类库
- 前端使用CryptoJS的AES解密,Java后端加密实现
- 逻辑与和或||的执行顺序
- 安装Seurat内置数据集ifnb.SeuratData的方法(Linux上安装)
- 路是一步一步走出来的
- mysql每日定时备份