机器学习算法原理与实践（三）、卡尔曼滤波器算法浅析及matlab实战

【原创】Liu_LongPo 转载请注明出处
【CSDN】http://blog.csdn.net/llp1992

卡尔曼滤波器是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。而且由于观测包含系统的噪声和干扰的影响，所以最优估计也可看做是滤波过程。

卡尔曼滤波器的核心内容就是5条公式，计算简单快速，适合用于少量数据的预测和估计。

下面我们用一个例子来说明一下卡尔曼算法的应用。

假设我们想在有一辆小车，在 t 时刻其速度为 Vt ，位置坐标为 Pt，ut 表示 t 时刻的加速度，那么我们可以用Xt表示 t 时刻的状态，如下：

则我们可以得到，由t-1 时刻到 t 时刻，位置以及速度的转换如下：

用向量表示上述转换过程，如下：

如下图：

那么我们可以得到如下的状态转移公式：

(1)

其中矩阵 F 为状态转移矩阵，表示如何从上一状态来推测当前时刻的状态，B 为控制矩阵，表示控制量u如何作用于当前矩阵，上面的公式 x 有顶帽子，表示只是估计值，并不是最优的。

有了状态转移公式就可以用来推测当前的状态，但是所有的推测都是包含噪声的，噪声越大，不确定越大，协方差矩阵用来表示这次推测带来的不确定性

协方差矩阵

假设我们有一个一维的数据，这个数据每次测量都不同，我们假设服从高斯分布，那么我们可以用均值和方差来表示该数据集，我们将该一维数据集投影到坐标轴上，如下图：

可以看到，服从高斯分布的一维数据大部分分布在均值附近。

现在我们来看看服从高斯分布的二维数据投影到坐标轴的情况，如下图：

二维数据比一维数据稍微复杂一点，投影后有3种情况，分别是：
左图：两个维的数据互不相关；
中图：两个维的数据正相关，也就是 y 随着 x 的增大而增大（假设两个维分别为 x 和 y）
右图：两个维的数据负相关，也就是 y 随着 x 的增大而减小。