UKF在非线性系统识别中的Matlab实现与应用

1. 项目概述：当非线性系统遇上不确定测量

无迹卡尔曼滤波（Unscented Kalman Filter, UKF）在非线性动力系统识别领域一直扮演着关键角色。不同于传统卡尔曼滤波对线性系统的依赖，UKF通过精心设计的sigma点采样策略，能够更准确地捕捉非线性系统的统计特性。我在处理建筑结构健康监测项目时，就曾面临传感器数据不完整且存在显著噪声的挑战——这正是UKF大显身手的典型场景。

这个开源项目提供了完整的Matlab实现，特别针对两类棘手问题：

• 系统动态模型存在参数不确定性（比如机械磨损导致的刚度变化）
• 只能获取间接测量数据（比如通过加速度推算位移）

实测发现：当测量噪声协方差矩阵Q和R存在30%以上的估计误差时，标准EKF（扩展卡尔曼滤波）的位移识别误差会超过15%，而UKF能控制在8%以内

2. 核心算法原理拆解

2.1 Sigma点采样策略

UKF的核心在于UT（Unscented Transform）变换。以3自由度系统为例，其采样过程为：

matlab复制% 状态向量维度n=6(位置+速度)
n = size(x,1); 
kappa = 3-n; % 缩放参数
[U,S] = svd(P); % 协方差矩阵分解
sigma_points = [x, x*ones(1,2*n)+sqrt(n+kappa)*U*S, ...
                x*ones(1,2*n)-sqrt(n+kappa)*U*S];

关键参数选择经验：

• α（分布特性）：结构振动系统建议0.01≤α≤0.1
• β（分布形状）：高斯分布时β=2最优
• κ（缩放因子）：通常取3-n

2.2 非线性系统建模技巧

对于含不确定参数的动力学方程：

matlab复制function dx = nonlinearSys(x,u,w)
    % x: 状态向量 [位移;速度;参数]
    % w: 过程噪声
    k = x(3)*(1+0.2*w); % 刚度含20%不确定性
    dx = [x(2); 
          (u - k*x(1) - c*x(2))/m;
          0]; % 参数假设为常数
end

注意：当参数时变时，需要在状态向量中增加