标签：状态 进阶 Kalman 方差 噪声 估计值 Filter 时刻 hat

1.状态空间表达式

\(x_k是当前状态的状态值,k是当前值,x_{k-1}上一个时刻该状态的值\)
\(u_k，x_k的输入\)
\(w_k 过程噪声\)
\(A状态转移矩阵\)
\(B控制矩阵\)
\(y_k观测量\)
\(v_k观测噪声，和观测器的误差有关\)
\(C某种关系\)

案例

火炉对水加热

\(y_k 观测器(温度计)的观测值\)
\(x_k 实际的水温(状态的实际值)\)
\(C=1 假设线性变化\)
\(x_{k-1}上一时刻的水温\)
\(A=单位阵,假设加热过程是线性的\)
\(Bu_k=\Delta T 单位时刻增加的水温\)
\(w_k外界对加热系统的干扰，噪声\)

\(所以有\)
\(\begin{cases} x_k = x_{k-1} +\Delta T +w_k\\ y_k = x_k + v_k \end{cases}\)

系统方程方框图

2.高斯分布

直观图解

参数分析

误差,噪声，方差

exp这里举了一个gps的例子

方差

噪声的方差 \(Q_k,R_k\)
状态的方差/估计值的方差\(\hat x_t\),状态本身也是服从正态分布的,自己也有方差
观察可能是多维的，多维就是协方差矩阵

3.超参数

Q-过程噪声的方差
R-观察噪声的方差
这两个是要自己调的,超参数

4.卡尔曼直观图解

\(\rho是概率密度\)
\(\hat x_{k-1}是前一时刻的最优估计值，也就是修正值，也叫后验估计值\)
\(\hat x_{k}^- 这个有-的是先验估计值,是当前时刻的\)
\(y_k是当前时刻的观测值,这里可以y_k=x_k 也就是传感器测量出来的值\)
\(\hat x_{k}^-是基于上一时刻\hat x_{k-1}估计出来的估计值\)
\(还缺一个值\hat x_{k}，当前时刻的最优估计值,也就是滤波后的值\)
\(因为滤波后的方差变小了,更加光滑了\)

\(当前的最优估计值\hat x_{k}是由 \hat x_{k}^- 和观察值y_k计算出来的\)

标签：状态,进阶,Kalman,方差,噪声,估计值,Filter,时刻,hat
来源： https://www.cnblogs.com/boyknight/p/15912487.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。