❶ C51能不能實現卡爾曼濾波，如果可以能不能給我代碼
卡爾曼濾波只是一個演算法,而C51是基於標准C語言擴展而來的,你只要明白卡爾曼濾波的數學表達演算法,就能用C語言寫出來卡爾曼濾波的程序,所以,C語言完全可以寫出來卡爾曼濾波演算法,C51自然也就能.
但是,這里有個但是!!!
C51雖然是基於標准C語言擴展的,但是,C51是用在51內核單片機上的,而以51內核為內核組成的單片機,大都硬體架構簡單,內存容量小,沒有專用的硬體乘法器,而且是8位的,基於以上原因,在實際應用中,51單片機是無法完成卡爾曼濾波的.
1 是沒有專用硬體乘法/除法器
2 卡爾曼濾波是一種遞歸演算法,需要極大的內存支持,51一般只有幾K內存,不足以支持龐大的
卡爾曼濾波.演算法
所以,如果你一定要卡爾曼濾波演算法,換個強大的MCU吧
❷ Kalman 濾波的數學模型C語言編程問題
[KEST，L，P
=卡爾曼(SYS，青年，護士，NN)
卡爾曼濾波器的信號模型
X(K)=
A
*
X(k-1)+
W(K)
/>
Y(K)=
C
*
X(K)+
V(K)
W和V上的兩個W和V
E
{WW「
}
=
QN，這是系統雜訊的協方差矩陣;
E
{VV'}
=
RN，測量雜訊的協方差矩陣;
E
{WV'}
=
NN，這一下應該從字面上相互系統的雜訊和觀測雜訊的協方差矩陣;
白雜訊均值為0，所以上述的幾個值?的自相關和互相關函數;
系統給定的系統模型;
❸ 卡爾曼濾波用C語言實現
#include "rinv.c"
沒有包含rinv.c這個文件。估計不是標准庫的
❹ 卡爾曼濾波的基本原理和演算法
卡爾曼濾波的原理用幾何方法來解釋。這時，~X和~Z矩陣中的每個元素應看做向量空間中的一個向量而不再是一個單純的數。這個向量空間（統計測試空間）可以看成無窮多維的，每一個維對應一個可能的狀態。~X和~Z矩陣中的每個元素向量都是由所有可能的狀態按照各自出現的概率組合而成（在測量之前，~X和~Z 的實際值都是不可知的）。~X和~Z中的每個元素向量都應是0均值的，與自己的內積就是他們的協方差矩陣。無法給出~X和~Z中每個元素向量的具體表達，但通過協方差矩陣就可以知道所有元素向量的模長，以及相互之間的夾角（從內積計算）。
為了方便用幾何方法解釋，假設狀態變數X是一個1行1列的矩陣（即只有一個待測狀態量），而量測變數Z是一個2行1列的矩陣（即有兩個測量儀器，共同測量同一個狀態量X），也就是說，m=1，n=2。矩陣X中只有X[1]一項，矩陣Z中有Z[1]和Z[2]兩項。Kg此時應是一個1行2列的矩陣，兩個元素分別記作Kg1 和 Kg2 。H和V此時應是一個2行1列的矩陣。
參考資料：
http://blog.csdn.net/newthinker_wei/article/details/11768443
❺ 卡爾曼濾波器是硬體還是軟體，能用程序實現嗎
卡爾曼濾波器是一種解決離散系統線性濾波問題的遞推最優估計演算法。卡爾曼濾波演算法常採用通過C語言軟體編程，再利用通用處理器串列執行軟體程序的工作方式來實現。
❻ 卡爾曼濾波 用C語言實現 急！！.......
#include "rinv.c"
缺少rinv.c文件
❼ 誰能給我講解一下卡爾曼濾波，我最近在用mpu6050，把陀螺儀和加速度的值通過卡爾曼濾波融合。求C程序!
給你arino的卡爾曼濾波融合演算法，非原創，我只是封裝了演算法。
另外你這么難的問題應該給點分才厚道啊！
H文件：
/*
* KalmanFilter.h
* Non-original
* Author: x2d
* Copyright (c) 2012 China
*
*/
#ifndef KalmanFilter_h
#define KalmanFilter_h
#include <WProgram.h>
class KalmanFilter
{
public:
KalmanFilter();
/*
卡爾曼融合計算
angle_m: 加速度計測量並通過atan2(ax,ay)方法計算得到的角度（弧度值）
gyro_m:陀螺儀測量的角速度值（弧度值）
dt:采樣時間(s)
outAngle:卡爾曼融合計算出的角度（弧度值）
outAngleDot:卡爾曼融合計算出的角速度（弧度值）
*/
void getValue(double angle_m, double gyro_m, double dt, double &outAngle, double &outAngleDot);
private:
double C_0, Q_angle, Q_gyro, R_angle;
double q_bias, angle_err, PCt_0, PCt_1, E, K_0, K_1, t_0, t_1;
double angle, angle_dot;
double P[2][2];
double Pdot[4];
};
CPP文件：
/*
* KalmanFilter.cpp
* Non-original
* Author: x2d
* Copyright (c) 2012 China
*
*/
#include "KalmanFilter.h"
KalmanFilter::KalmanFilter()
{
C_0 = 1.0f;
Q_angle = 0.001f;
Q_gyro = 0.003f;
R_angle = 0.5f;
q_bias = angle_err = PCt_0 = PCt_1 = E = K_0 = K_1 = t_0 = t_1 = 0.0f;
angle = angle_dot = 0.0f;
P[0][0] = 1.0f;
P[0][1] = 0.0f;
P[1][0] = 0.0f;
P[1][1] = 1.0f;
Pdot[0] = 0.0f;
Pdot[1] = 0.0f;
Pdot[2] = 0.0f;
Pdot[3] = 0.0f;
}
void KalmanFilter::getValue(double angle_m, double gyro_m, double dt, double &outAngle, double &outAngleDot)
{
/*
Serial.print("angle_m = ");
Serial.print(angle_m);
Serial.print(";");
Serial.print("gyro_m = ");
Serial.print(gyro_m);
Serial.print(";");
*/
angle+=(gyro_m-q_bias) * dt;
angle_err = angle_m - angle;
Pdot[0] = Q_angle - P[0][1] - P[1][0];
Pdot[1] = -P[1][1];
Pdot[2] = -P[1][1];
Pdot[3] = Q_gyro;
P[0][0] += Pdot[0] * dt;
P[0][1] += Pdot[1] * dt;
P[1][0] += Pdot[2] * dt;
P[1][1] += Pdot[3] * dt;
PCt_0 = C_0 * P[0][0];
PCt_1 = C_0 * P[1][0];
E = R_angle + C_0 * PCt_0;
K_0 = PCt_0 / E;
K_1 = PCt_1 / E;
t_0 = PCt_0;
t_1 = C_0 * P[0][1];
P[0][0] -= K_0 * t_0;
P[0][1] -= K_0 * t_1;
P[1][0] -= K_1 * t_0;
P[1][1] -= K_1 * t_1;
angle += K_0 * angle_err;
q_bias += K_1 * angle_err;
angle_dot = gyro_m-q_bias;
outAngle = angle;
outAngleDot = angle_dot;
/*
Serial.print("angle = ");
Serial.print(angle);
Serial.print(";");
Serial.print("angle_dot = ");
Serial.print(angle_dot);
Serial.print(";");
*/
}
#endif
❽ 請教C語言卡爾曼濾波演算法
網上能找到一些程序。
例如,卡爾曼濾波簡介＋ 演算法實現代碼 ：
http://blog.21ic.com/user1/349/archives/2009/55947.html
較詳細地 提供了 C 和 C++ 程序。可以同他的方法比較一下，如果結果接近，
則你的演算法沒問題。
❾ 卡爾曼濾波器的演算法
在這一部分，我們就來描述源於Dr Kalman 的卡爾曼濾波器。下面的描述，會涉及一些基本的概念知識，包括概率（Probability），隨機變數（Random Variable），高斯或正態分配（Gaussian Distribution）還有State-space Model等等。但對於卡爾曼濾波器的詳細證明，這里不能一一描述。首先，我們先要引入一個離散控制過程的系統。該系統可用一個線性隨機微分方程（Linear Stochastic Difference equation）來描述：X(k)=A X(k-1)+B U(k)+W(k)再加上系統的測量值：Z(k)=H X(k)+V(k)上兩式子中，X(k)是k時刻的系統狀態，U(k)是k時刻對系統的控制量。A和B是系統參數，對於多模型系統，他們為矩陣。Z(k)是k時刻的測量值，H是測量系統的參數，對於多測量系統，H為矩陣。W(k)和V(k)分別表示過程和測量的雜訊。他們被假設成高斯白雜訊(White Gaussian Noise)，他們的covariance 分別是Q，R（這里我們假設他們不隨系統狀態變化而變化）。對於滿足上面的條件(線性隨機微分系統，過程和測量都是高斯白雜訊)，卡爾曼濾波器是最優的信息處理器。下面我們來用他們結合他們的covariances 來估算系統的最優化輸出（類似上一節那個溫度的例子）。首先我們要利用系統的過程模型，來預測下一狀態的系統。假設現在的系統狀態是k，根據系統的模型，可以基於系統的上一狀態而預測出現在狀態：X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1)式(1)中，X(k|k-1)是利用上一狀態預測的結果，X(k-1|k-1)是上一狀態最優的結果，U(k)為現在狀態的控制量，如果沒有控制量，它可以為0。到現在為止，我們的系統結果已經更新了，可是，對應於X(k|k-1)的covariance還沒更新。我們用P表示covariance：P(k|k-1)=A P(k-1|k-1) A』+Q ……… (2)式(2)中，P(k|k-1)是X(k|k-1)對應的covariance，P(k-1|k-1)是X(k-1|k-1)對應的covariance，A』表示A的轉置矩陣，Q是系統過程的covariance。式子1，2就是卡爾曼濾波器5個公式當中的前兩個，也就是對系統的預測。現在我們有了現在狀態的預測結果，然後我們再收集現在狀態的測量值。結合預測值和測量值，我們可以得到現在狀態(k)的最優化估算值X(k|k)：X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) ……… (3)其中Kg為卡爾曼增益(Kalman Gain)：Kg(k)= P(k|k-1) H』 / (H P(k|k-1) H』 + R) ……… (4)到現在為止，我們已經得到了k狀態下最優的估算值X(k|k)。但是為了要令卡爾曼濾波器不斷的運行下去直到系統過程結束，我們還要更新k狀態下X(k|k)的covariance：P(k|k)=（I-Kg(k) H）P(k|k-1) ……… (5)其中I 為1的矩陣，對於單模型單測量，I=1。當系統進入k+1狀態時，P(k|k)就是式子(2)的P(k-1|k-1)。這樣，演算法就可以自回歸的運算下去。卡爾曼濾波器的原理基本描述了，式子1，2，3，4和5就是他的5 個基本公式。根據這5個公式，可以很容易的實現計算機的程序。
❿ 卡爾曼濾波演算法是什麼
卡爾曼濾波是一個濾波演算法，應用非常廣泛，它是一種結合先驗經驗、測量更新的狀態估計演算法，卡爾曼濾波器是在估計線性系統狀態的過程中，以最小均方誤差為目的而推導出的幾個遞推數學等式。
卡爾曼過程中要用到的概念。即什麼是協方差，它有什麼含義，以及什麼叫最小均方誤差估計，什麼是多元高斯分布。如果對這些有了了解，可以跳過，直接到下面的分割線。
均方誤差：
它是"誤差"的平方的期望值（誤差就是每個估計值與真實值的差），也就是多個樣本的時候，均方誤差等於每個樣本的誤差平方再乘以該樣本出現的概率的和。
方差：
方差是描述隨機變數的離散程度，是變數離期望值的距離。
注意:
兩者概念上稍有差別，當你的樣本期望值就是真實值時，兩者又完全相同。最小均方誤差估計就是指估計參數時要使得估計出來的模型和真實值之間的誤差平方期望值最小。