参考内容：B站的DR_CAN的卡尔曼滤波器视频 1、状态空间方程 （1） xk是状态变量，A是状态矩阵，B是控制矩阵，uk是控制变量，wk-1是过程噪声，其中过程噪声是不可测的。
参考内容：B战的DR_CAN的卡尔曼滤波器视频，讲的特别的好，建议要学习的可以去看看，非常通俗易懂，很好理解。 1、初见卡尔曼滤波器-----递归运算 卡尔曼滤波器用一句话来说是一种 optimal recursive data processing algorithm
原文链接：http://tecdat.cn/?p=25610 原文出处：拓端数据部落公众号 配对交易提出的问题之一是股票的贝塔值相对于市场的不稳定估计。这是一个可能的解决方案的建议，这并不是真正的解决方案。看看下图： Microsoft的滚动系数（回归：MSFT~SPY）- 120 天的窗口，纯蓝色是使用完整样本估计的 be
原文链接：http://tecdat.cn/?p=25610 原文出处：拓端数据部落公众号 配对交易提出的问题之一是股票的贝塔值相对于市场的不稳定估计。这是一个可能的解决方案的建议，这并不是真正的解决方案。 看看下图： Microsoft的滚动系数（回归：MSFT~SPY）- 120 天的窗口，纯蓝色是使用完整样本估
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 \(y_k 观测器(温度计)的观测值\)
卡尔曼公式的基本推导 前一段抽空看了卡尔曼滤波的推导但是无奈数学不好基本忘得差不多了，所以打算记录下来。 卡尔曼滤波（Kalman Filter） 例如我们测量一枚硬币的直径 设第k次测量结果为： \(Z_k\) 第k次 \(Zk\) 1 50.4 2 50.7 3 49.7 4 50.1 5 50.6 ... ... 通过
trimws ：去空格 round ：保留小数 colnames：修改列名 chartr ：字符替换 sprintf("%0.5s",'0.234234234') ：字符串格式保留多少位 rowSums()：行求和（可加条件） colSums() ：列求和（可加条件） table：各个值的总数 prop.table：各个值占总数的百分比 quantile：取分位数，10% 20% 50%. . . runif()：生成
基本概念 P1:递归_recursive processing 1.估计值 典型的就是拿尺子量同一个物体，记为 z 1 , z 2
当拟合线性回归模型时，人们经常报告的一个数量是R平方值。这可以通过协变量/预测变量来解释结果Y中变化的比例。如果R平方接近于1（在我的工作中不常见），则意味着协变量可以共同解释结果Y的变化。这意味着可以使用协变量准确地预测Y（在某种意义上）。相反，低R平方意味着Y由协变量预测不佳。
这里首先需要了解以下观察值、真实值和预测值的关系->三者的区别请参考我的这篇文章->从根本上理解 机器学习中真实值、观测值、预测值的区别 简单来讲，误差是观察值与真实值之间的差；残差是观察值与模型估计值之间的差，因此误差和样本数据的构造有关，残差和预测模型有关，一般我们
作者：书涵 来源：微信公众号|3D视觉工坊（系投稿） 3D视觉精品文章汇总：https://github.com/qxiaofan/awesome-3D-Vision-Papers/ 在三维重建中，标定是很重要的一环，而在所有标定中，单目相机标定是最基础的，对于新手而言，跑通了一个相机标定代码，得到了一堆参数结果，如何判断自己的标定的是对
1 简介 由卡尔曼这个学者提出的最佳线性滤波器，单纯时域维度即可实现【无需进行频域变换】 2 思路 由①上一时刻的最佳估计值XKE_P 与 ②当前时刻的测量值Mxv 进行联立计算获得当 ③前时刻的最佳估计值XKE 3 核心 4 实现 5 Matlab实例 6 总结 7 参考链接
生物统计学-参数估计 参数估计需要未知参数的估计量和一定置信度 估计方法：用点估计估计一个值；用区间估计估计值的可能区间和是该值的可能性。 对估计值的评价标准： 无偏性是估计量（不一定是样本均值）抽样分布的数学期望等与总体参数的真值。 有效是有时几组数据都是无偏的，但是此时有
