一篇不错的Kalman滤波器原理中文介绍
5星 · 超过95%的资源 需积分: 43 99 浏览量
2011-12-12
18:38:52
上传
评论 2
收藏 118KB DOCX 举报 
卡尔曼滤波器介绍
简单来说：卡尔曼滤波器是一个最优自回归数据处理算法，对于解决绝大部分问题，是最
优或者最有用的。图像中的人脸识别，图像分割，边缘检测等。
卡尔曼滤波器算法
（The Kalman Filter Algorithm）
在这一部分，我们就来描述源于 Dr Kalman 的卡尔曼滤波器。下面的描述，会涉及一些基
本的概念知识，包括概率（Probability），随即变量（Random Variable），高斯或正态分配
（Gaussian Distribuon）还有 State-space Model 等等。但对于卡尔曼滤波器的详细证明，
这里不能一一描述。
首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程（Linear
Stochasc Di"erence equaon）来描述：
X(k)=A X(k-1)+B U(k)+W(k)
再加上系统的测量值：
Z(k)=H X(k)+V(k)
上两式子中，X(k)是 k 时刻的系统状态，U(k)是 k 时刻对系统的控制量。A 和 B 是系统参数，
对于多模型系统，他们为矩阵。Z(k)是 k 时刻的测量值，H 是测量系统的参数，对于多测量
系统，H 为矩阵。W(k)和 V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White
Gaussian Noise)，他们的 covariance 分别是 Q，R（这里我们假设他们不随系统状态变化而
变化）。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是
最优的信息处理器。下面我们来用他们结合他们的 covariances 来估算系统的最优化输出
（类似上一节那个温度的例子）。
首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是 k，根
据系统的模型，可以基于系统的上一状态而预测出现在状态：
X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1)
ltx1215
- 粉丝: 3
- 资源: 8
最新资源
- 全卷积网络基于voc2012数据集简单pytorch实现
- pycharm的一些介绍-用于更好的学习python
- 基于C++的程序设计大赛天梯赛L2答案（天梯赛）
- 基于python实现的三次样条插值和均值插值法实现
- Python语言教程2-python批量图片大小处理-多文件夹
- Python语言教程1-python批量图片重命名，将后缀某几个不想要的字去除
- Space Combat Kit 太空战斗套件Unity游戏开发插件资源unitypackage C#
- Universal Device Preview 通用设备预览Unity游戏开发插件资源unitypackage
- Paladin Anim Set 圣骑士动画集Unity游戏动作动画插件资源unitypackage
- 计算机财务管理期末考报表部分题目及答案.doc
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
- 1
- 2
前往页