论文部分内容阅读
摘 要：Matlab是功能强大的工程计算和数据分析软件，VC++是面向对象的快速开发工具，PCAuto组态软件是面向监控与数据采集（Supervisory Control and Data Acquisition， SCADA）的软件平台工具。三者结合，可以取长补短，能开发出处理复杂矩阵运算且界面友好、满足工程领域需要的应用软件。本文探讨了三者混合编程的详细实现过程，通过一个Kalman滤波实例，说明了实现混合编程方法的过程和实用性。
关键词：Kalman滤波；VC++；Matlab；PCAuto；混合编程
1 引言
滤波问题是如何从被噪声污染的观测信号中过滤噪声，尽可能消除或减小噪声影响，求未知真实信号或系统状态的最优估计。由于信号和噪声往往是多维非平稳随机过程，因此1960年初Kalman[1，2]用时域上的状态空间方法提出了Kalman滤波理论，提出了便于计算机上递推实现的Kalman滤波算法，解决了多维非平稳随机信号的滤波问题。我们基于Kalman滤波算法用Matlab实现仿真，通过VC将Matlab与组态软件进行互联，最终通过组态软件来实现Kalman滤波器。
2 理论依据
考虑用如下状态空间模型描写的动态系统
其中t为离散时间，系统在时刻t的状态为x（t）∈Rn，y（t）∈Rm为对状态的观测信号，方差为Q的输入白噪声w（t）∈Rr，方差为R的观测白噪声v（t）∈Rm，且w（t）和v（t）不相关。？椎，，H分别为已知的适当维矩阵。由[1，2]我们易知该系统的最优状态滤波方程组为：
3 用Matlab实现Kalman滤波器仿真
在系统（1）和（2）中取？椎= 0.9 0-0.5 0.2，？祝=12，H=[1 1]，Q=0.81， R=1。基于Kalman滤波原理（3）-（8）， 通过Matlab在计算机上实现Kalman滤波器的仿真。
具体m文件源代码如下：
for i=1：bushu
[x1（：，i+1）]=mult（fai，x（：，i））；
[wa]=mult（tao，w（i））；
[x（：，i+1）]=add（x1（：，i+1），wa）；
[hx]=mult（H，x（：，i+1））；
[y（i）]=add（hx，v（i））；
[xjian（：，i+1），p]=kkmm（n，fai，tao，H，Q，R，p，xjian（：，i），y（i））；
End
其中，调用了mult（），add（），kkmm（）这三个函数，这些都是预先编写好的。kkmm.m是整个程序的主要部分，即Kalman滤波算法。运行结果如图1和图2所示，其中实现表示真实状态，虚线表示估计状态。
4 VC++与Matlab混合编程的应用
VC++[3]具有很多的优点，但对于一些比较复杂的工程计算程序，编写起来比较困难。Matlab语言是一种高级矩阵语言，对于一些复杂的运算有直接的函数可以调用，提高了编程的效率。
4.1 应用实例（Kalman滤波器）
建立一个基于对话框的MFC应用程序Kalman，通过制作一个曲线控件[3]，可以清楚地看到xi（t）和 i（t|t）走势。
其中，使用了WM_TIMER响应函数。运行结果如图3所示，其中黄线表示真实状态x（t）红线表示估计状态 （t|t）。
5 实现VC++与组态软件的数据通讯
建立一个基于对话框的MFC程序VMP，按照本文4.2节提到的方法，将Kalman滤波器添加到当
前工程中。其中响应函数CVMPDlg：：OnTimer（UINT nIDEvent）的主要源代码如下：
for（int i = 0；i { CString strTagPar，strVal；
XEstrTagPars.GetSubStr（i，strTagPar）；
pTagPars[i].vt = VT_BSTR；
pTagPars[i].bstrVal = strTagPar.AllocSysString（）；
XEstrVals.GetSubStr（i，strVal）；
pVals[i].vt = VT_BSTR；
pVals[i].bstrVal = strVal.AllocSysString（）；}
m_pDbCom->SetStringData（iTagParCount，pTagPars，pVals）；
for （i = 0； i < iTagParCount； i++）
{ SysFreeString（pTagPars[i].bstrVal）；
SysFreeString（pVals[i].bstrVal）；}
delete pTagPars； delete pVals；
然后（t|t）可以通过上述源代码进行数据传递，将数据从Matlab通过VC++传到组态软件当中去。
6 结论
通过上述方法，可以将Kalman滤波器应用到现场中，广泛应用在信号处理、通信、目标跟踪和控制等领域。VC++是Matlab与组态软件结合的桥梁，从而扩大了Matlab的应用范围。因此如何在特定的情况下使用最好的实现方法非常重要，随着数据接口的进一步改善，混合编程将在工程应用中发挥其越来越重大的作用。
参考文献
[1]Kalman R E. A New Approach to Linear Filtering and Predictioning Problems.Trans.ASME，J.Basic Eng.，1960，82D：34-45.
[2]邓自立，王欣，高媛.建模与估计（第二版）[M].北京：科學出版社，2016.
[3]王东华，李樱.VisualC++6.0从入门到精通[M].北京：人民邮电出版社，2016.
[4]江泽林，刘维.实战MATLAB文件与数据接口技术[M].北京：北京航空航天大学出版社，2014.
[5]张琼琼，马跃，王志成.组态式人机界面编辑与仿真技术[J].计算机系统应用，2015（04），26-31.
[6]邓云伟，杜卫星，杨光玲.基于组态软件和FP23智能仪表的温度监控系统设计[J].价值工程.2013（20），208-210.
关键词：Kalman滤波；VC++；Matlab；PCAuto；混合编程
1 引言
滤波问题是如何从被噪声污染的观测信号中过滤噪声，尽可能消除或减小噪声影响，求未知真实信号或系统状态的最优估计。由于信号和噪声往往是多维非平稳随机过程，因此1960年初Kalman[1，2]用时域上的状态空间方法提出了Kalman滤波理论，提出了便于计算机上递推实现的Kalman滤波算法，解决了多维非平稳随机信号的滤波问题。我们基于Kalman滤波算法用Matlab实现仿真，通过VC将Matlab与组态软件进行互联，最终通过组态软件来实现Kalman滤波器。
2 理论依据
考虑用如下状态空间模型描写的动态系统
其中t为离散时间，系统在时刻t的状态为x（t）∈Rn，y（t）∈Rm为对状态的观测信号，方差为Q的输入白噪声w（t）∈Rr，方差为R的观测白噪声v（t）∈Rm，且w（t）和v（t）不相关。？椎，，H分别为已知的适当维矩阵。由[1，2]我们易知该系统的最优状态滤波方程组为：
3 用Matlab实现Kalman滤波器仿真
在系统（1）和（2）中取？椎= 0.9 0-0.5 0.2，？祝=12，H=[1 1]，Q=0.81， R=1。基于Kalman滤波原理（3）-（8）， 通过Matlab在计算机上实现Kalman滤波器的仿真。
具体m文件源代码如下：
for i=1：bushu
[x1（：，i+1）]=mult（fai，x（：，i））；
[wa]=mult（tao，w（i））；
[x（：，i+1）]=add（x1（：，i+1），wa）；
[hx]=mult（H，x（：，i+1））；
[y（i）]=add（hx，v（i））；
[xjian（：，i+1），p]=kkmm（n，fai，tao，H，Q，R，p，xjian（：，i），y（i））；
End
其中，调用了mult（），add（），kkmm（）这三个函数，这些都是预先编写好的。kkmm.m是整个程序的主要部分，即Kalman滤波算法。运行结果如图1和图2所示，其中实现表示真实状态，虚线表示估计状态。
4 VC++与Matlab混合编程的应用
VC++[3]具有很多的优点，但对于一些比较复杂的工程计算程序，编写起来比较困难。Matlab语言是一种高级矩阵语言，对于一些复杂的运算有直接的函数可以调用，提高了编程的效率。
4.1 应用实例（Kalman滤波器）
建立一个基于对话框的MFC应用程序Kalman，通过制作一个曲线控件[3]，可以清楚地看到xi（t）和 i（t|t）走势。
其中，使用了WM_TIMER响应函数。运行结果如图3所示，其中黄线表示真实状态x（t）红线表示估计状态 （t|t）。
5 实现VC++与组态软件的数据通讯
建立一个基于对话框的MFC程序VMP，按照本文4.2节提到的方法，将Kalman滤波器添加到当
前工程中。其中响应函数CVMPDlg：：OnTimer（UINT nIDEvent）的主要源代码如下：
for（int i = 0；i
XEstrTagPars.GetSubStr（i，strTagPar）；
pTagPars[i].vt = VT_BSTR；
pTagPars[i].bstrVal = strTagPar.AllocSysString（）；
XEstrVals.GetSubStr（i，strVal）；
pVals[i].vt = VT_BSTR；
pVals[i].bstrVal = strVal.AllocSysString（）；}
m_pDbCom->SetStringData（iTagParCount，pTagPars，pVals）；
for （i = 0； i < iTagParCount； i++）
{ SysFreeString（pTagPars[i].bstrVal）；
SysFreeString（pVals[i].bstrVal）；}
delete pTagPars； delete pVals；
然后（t|t）可以通过上述源代码进行数据传递，将数据从Matlab通过VC++传到组态软件当中去。
6 结论
通过上述方法，可以将Kalman滤波器应用到现场中，广泛应用在信号处理、通信、目标跟踪和控制等领域。VC++是Matlab与组态软件结合的桥梁，从而扩大了Matlab的应用范围。因此如何在特定的情况下使用最好的实现方法非常重要，随着数据接口的进一步改善，混合编程将在工程应用中发挥其越来越重大的作用。
参考文献
[1]Kalman R E. A New Approach to Linear Filtering and Predictioning Problems.Trans.ASME，J.Basic Eng.，1960，82D：34-45.
[2]邓自立，王欣，高媛.建模与估计（第二版）[M].北京：科學出版社，2016.
[3]王东华，李樱.VisualC++6.0从入门到精通[M].北京：人民邮电出版社，2016.
[4]江泽林，刘维.实战MATLAB文件与数据接口技术[M].北京：北京航空航天大学出版社，2014.
[5]张琼琼，马跃，王志成.组态式人机界面编辑与仿真技术[J].计算机系统应用，2015（04），26-31.
[6]邓云伟，杜卫星，杨光玲.基于组态软件和FP23智能仪表的温度监控系统设计[J].价值工程.2013（20），208-210.