1
实践中的卡尔曼滤波器
我已经阅读了有关卡尔曼滤波器的说明，但是在实际中如何结合起来尚不清楚。它似乎主要针对机械或电气系统，因为它想要线性状态转换，并且出于相同的原因（它想要线性状态转换），对于异常检测或定位状态转换没有用处，对吗？在实践中，通常如何使用卡尔曼滤波器找到期望预先知道的成分。我已经列出了组件，如果我对需要提前知道的内容的理解不正确，请纠正我。 我相信这些不必“事先”知道： 过程噪声ww\mathbf w 观察噪声vv\mathbf v 实际状态（这是卡尔曼滤波器尝试估算的状态）xx\mathbf x 我相信使用卡尔曼滤波器需要事先知道这些： 我们应用于的线性状态转换模型（我们需要事先知道这一点，因此我们的状态必须受已知定律支配，即，当从一个状态到另一个状态的转换得到很好的理解和理解时，卡尔曼滤波器可用于校正测量值确定性的，直到一点点噪音-它不是异常发现者，也不是发现随机状态变化的工具）xx\mathbf x 控制向量uu\mathbf u 应用于输入向量控制输入模型（我们需要事先了解这一点，因此，使用卡尔曼滤波器时，我们还需要事先知道我们的控制值如何影响模型，最多影响一些高斯噪声，以及效果必须是线性的）uu\mathbf u 过程噪声的协方差（在Wikipedia文章中似乎与时间有关，即，它取决于时间k）-似乎我们需要提前知道这一点，并且随着时间的流逝，我认为实际上它被认为是恒定的？QQ\mathbf Qkkk A（线性）观察模型HH\mathbf H 协方差（在维基百科文章中似乎也与时间有关）-与Q相似的问题RR\mathbf RQQ\mathbf Q PS，是的，我知道其中许多依赖时间，我只是将所有下标都弄乱了。如果愿意，可以随意想象每个变量名右边和右边的小写字母。kkk