对卡尔曼滤波的理解:平滑插值、滤波和预测!想用的来看啦!

这篇具有很好参考价值的文章主要介绍了对卡尔曼滤波的理解:平滑插值、滤波和预测!想用的来看啦!。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前几天偶然看到一个叫卡尔曼滤波的家伙,闲来无事搜来看看,看的是迷迷糊糊,一会儿这里说是做时间序列平滑的,一会儿这里是说滤波的,一会儿说可以预测未来值,但预测不又需要当前的观测值么,那能不能进行多步预测呢,反正搞得是迷迷糊糊。直到我在百度百科上看到一句话,让我醍醐灌顶!

平滑 滤波 预测,人工智能,深度学习,算法,Powered by 金山文档

就是说,卡尔曼滤波对于过去位置的估计叫插值或平滑,对当前位置的估计叫滤波,感觉这俩差别不大,因为都可以搞到观测值嘛;再者对未来位置的估计叫预测,这个预测呢,就是根据递推方程作出的对未来位置的预测,不是最优估计哈!因为未来的最优估计需要综合未来的预测和对未来的观测,可是观测我们没观测数据呀!下面咋们浅浅的从公式来看一下呗!这里引用一下https://www.likecs.com/show-143711.html,对公式里每个字母都有解释,看起来方便,不然一会这个字母一会那个字母,早搞糊涂了!

先记住卡尔曼滤波始终贯穿一句话,那就是当前的预测和当前的观测值综合起来才为当前的最优估计!而当前的预测又和上一时刻的最优估计有关,如式(1)所示,这就递推上了!

平滑 滤波 预测,人工智能,深度学习,算法,Powered by 金山文档

(1)(2)是用来预测未来状态的,(那么这个(1)式你也可以替代成你的预测方程,什么线性模型,机器学习预测模型啦(线性),非线性问题就扩展卡尔曼滤波咯,对非线性函数(也就是这里的式(1))的Taylor展开式进行一阶线性化截断,将非线性问题转化为线性)

(3)(4)(5)是用来校正预测值的,(1)就是递推预测出来的当前状态的预测值,但不是最优值,(4)才是经过观测值校正后得到的最优值,也就是说卡尔曼滤波可以做预测,但是对未来的预测只能止步于(1)得到一个预测值,达不到(4)最优估计,因为没有观测值是吧。

理解完预测,平滑插值和滤波就很好理解啦,他们都有观测值,就是综合当前预测值和观测值得到最优估计啦,网上看到有句话说其实就是加权,没毛病哈!加权了波动变小了,就平滑了,噪声波也被过滤掉了!

那我们想把这个加到论文里的话,或者打比赛什么的,

思路一就是先用卡尔曼滤波对时间序列做平滑处理,或者有缺失值的可以做插值处理,然后再去预测;

思路二就是将你的线性预测模型和卡尔曼滤波结合起来构造一个动态预测模型,是不是高级了,当然只能得到一个预测值,而不是最优估计,最优估计需要观测值去校正。这个下一时刻其实是可以自己定义的,比如你定义5分钟为一个度量,那你就可以预测下一个5分钟;

思路三想到再扩展吧!文章来源地址https://www.toymoban.com/news/detail-645777.html

到了这里,关于对卡尔曼滤波的理解:平滑插值、滤波和预测!想用的来看啦!的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 卡尔曼滤波理论小释之卡尔曼增益

    卡尔曼增益是卡尔曼滤波理论中的一个核心概念。一般教材里面是这么给出它的公式的: 图1  卡尔曼增益 直觉上容易理解,所谓的增益是指每次融合数据后不确定性的变化程度。如果融合了新的数据后不确定性降低了,那么这个增益就是正面的,有助于提高预测的准确度。

    2024年02月05日
    浏览(83)
  • 卡尔曼滤波器-概述及用递归思想解读卡尔曼滤波器 | 卡尔曼滤波器应用举例(附Matlab程序)| 数学基础-数据融合、协方差矩阵、状态空间方程

      卡尔曼滤波器是最优化的(Optimal)、递归的(Recursive)、数字处理的(Data Processing)算法(Algorithm)。卡尔曼滤波器更像是观测器,而不是一般意义上的滤波器,应用广泛,尤其是在导航中,它的广泛应用是因为生活中存在大量的不确定性。   当描述一个系统的不确

    2024年02月06日
    浏览(51)
  • 卡尔曼滤波系列_实例(二)均加速运动的卡尔曼滤波

    此系列(一)对卡尔曼滤波的原理进行了简单的阐述,总结了卡尔曼滤波的两大过程:预测和更新。接下来举例对卡尔曼滤波的使用进行介绍,加深对卡尔曼滤波的理解。 1.场景介绍 如上图所示,可知小车的初始速度为0,初始位置也为0,小车向前的加速度为1,小车感知自身

    2024年02月15日
    浏览(36)
  • 卡尔曼滤波学习笔记

    从直观上来看,卡尔曼滤波是把两个存在误差的结果 融合 在一起,得到一个从数学上可以得到证明的 最优估计值 。 而这两个存在误差的结果,一个是从理论上推导出来的,称之为 先验估计值 ;一个是用传感器测量出来的,称之为 测量值 。它们之所以存在误差,是因为前

    2024年02月11日
    浏览(42)
  • 卡尔曼滤波介绍

        卡尔曼滤波无论是在单目标还是多目标领域都是很常用的一种算法,将卡尔曼滤波看作一种运动模型,用来对目标的位置进行预测,并且利用预测结果对跟踪的目标进行修正,属于自动控制理论中的一种方法。     在对视频中的目标进行跟踪时,当 目标运动速度较慢 时

    2024年02月14日
    浏览(38)
  • 【算法系列】卡尔曼滤波算法

    ·【算法系列】卡尔曼滤波算法 ·【算法系列】非线性最小二乘求解-直接求解法 ·【算法系列】非线性最小二乘求解-梯度下降法 ·【算法系列】非线性最小二乘-高斯牛顿法  ·【算法系列】非线性最小二乘-列文伯格马夸尔和狗腿算法  文章目录 系列文章 文章目录 前言 一、

    2024年02月12日
    浏览(38)
  • 算法介绍及实现——卡尔曼滤波

            本文主要介绍卡尔曼滤波的推导过程及建模步骤,是网站的学习笔记。本文主要是通过例子来引出卡尔曼滤波的建模思想及算法步骤。 参考网站:(这个网站讲得真的很详细很清楚,层层递进,逻辑清晰) Kalman Filter Tutorial https://www.kalmanfilter.net/ 目录 一、引言

    2024年02月14日
    浏览(41)
  • 卡尔曼滤波算法原理及示例

      例程:物体做匀速运动每秒运动1m,观测器观测方差为1m

    2024年02月15日
    浏览(39)
  • 卡尔曼滤波器简介——概述

    关于卡尔曼滤波器         大多数现代系统都有许多传感器,可以根据一系列测量来估计隐藏(未知)状态。例如,GPS接收器提供位置和速度估计,其中位置和速度是隐藏状态,卫星信号到达的差分时间是测量值。         跟踪和控制系统的最大挑战之一是在存在不确

    2024年02月01日
    浏览(68)
  • 卡尔曼滤波的Python实现

    为了在Python编程环境下实现卡尔曼滤波算法,特编写此程序 主要用到了以下3个模块 numpy(数学计算) pandas(读取数据) matplotlib(画图展示) 代码的核心是实现了一个Kf_Params类,该类定义了卡尔曼滤波算法的相关参数 然后是实现了一个kf_init()函数,用来初始化卡尔曼滤波算

    2024年02月12日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包