2024年Python最新kalman滤波python实现——基于维纳退化模型

    else:    
       # Prediction (expectation)
        P[i][i-1] = P[i-1][i-1] + Q 
        K[i] = (t[i] - t[i-1])**2 * P[i][i-1] + sigma2 * (t[i] - t[i-1]) # kalman 增益
        λ_hat[i] = λ_hat[i-1] + P[i][i-1] * (t[i] - t[i-1]) * (X[i] - X[i-1] - λ_hat[i-1] * (t[i] - t[i-1])) / K[i]

        # Correction (variance)
        P[i][i] = P[i][i-1] - P[i][i-1] * (t[i] - t[i-1])**2 / K[i] * P[i][i-1]

        # 基于更新后的λ_hat进行下一步的预测
        y_pred[i] = y_pred[i-1] + λ_hat[i] * (t[i] - t[i-1])
        
    print(f"λ_hat：{λ_hat[i]}，P：{P[i][i]}")

plt.scatter(t,X, color = 'blue')
plt.plot(t,X, color = 'blue', label = 'actual')
plt.plot(t, y_pred[:len(t)], color = 'red', label='kalman')
plt.scatter(t, y_pred[:len(t)], color = 'red')
print(y_pred)
print(λ_hat)
print(X)
plt.legend()

data

t = np.arange(1,15)
X = np.sin(np.arange(1,15)) * 100
kalman_filter_for_weiner_process(t, X)

* 输出结果：​​​​​​​​​​​​​​


![](https://img-blog.csdnimg.cn/direct/feca0268140f4531afc56645c958389e.png)



### 改进的kalman滤波


* 算法细节：


![](https://img-blog.csdnimg.cn/direct/b727b05e358944f98704d70d64f2512c.png)


* 代码实现：

import matplotlib.pyplot as plt
from math import pi
import numpy as np
from numpy import log, exp, sqrt
from numpy.random import normal, randn

def strong_tracking_kalman_filter_for_weiner_process(t, X):
‘’‘‘X is an array’’’
n_samples = len(t)
_size = n_samples + 5
print(“n_samples:”, n_samples)
sigma2 = 10 # difussion coef
Q = 10 # drift noise variation
alpha, rho = 0.5, 0.5
V = np.zeros(_size)
gamma = np.zeros(_size)
B = np.zeros(_size)
C = np.zeros(_size)
v = np.zeros(_size)

K = np.zeros(_size)
P = np.ones([_size,_size])  # P0 = 1

λ_hat = np.zeros(_size) # a0 = 0
y_pred = np.zeros(_size)

for i in np.arange(0, n_samples):
    if i == 0:
        y_pred[i] = X[i]
    else:    
        gamma[i] = X[i] - X[i-1] - λ_hat[i-1] * (t[i] - t[i-1])
        if i == 1:
            V[i] = gamma[i]**2
        elif i > 1:
            V[i] = (rho * V[i-1] + gamma[i]**2) / (1 + rho)
        B[i] = V[i] - Q * (t[i] - t[i-1])**2 - alpha * sigma2 * (t[i] - t[i-1])
        C[i] = P[i-1][i-1] * (t[i] - t[i-1])**2 - alpha * sigma2 * (t[i] - t[i-1])
        v0 = B[i] / C[i]
        if v0 >= 1:
            v[i] = v0
        else:
            v[i] = 1

        # Prediction (expectation)
        P[i][i-1] = v[i] * P[i-1][i-1] + Q 
        K[i] = (t[i] - t[i-1])**2 * P[i][i-1] + sigma2 * (t[i] - t[i-1]) # kalman 增益
        λ_hat[i] = λ_hat[i-1] + P[i][i-1] * (t[i] - t[i-1]) / K[i] * (X[i] - X[i-1] - λ_hat[i-1] * (t[i] - t[i-1])) 

        # Correction (variance)
        P[i][i] = P[i][i-1] - P[i][i-1] * (t[i] - t[i-1])**2 / K[i] * P[i][i-1]

        # 基于调整过后的λ_hat进行下一步的预测
        y_pred[i] = y_pred[i-1] + λ_hat[i] * (t[i] - t[i-1])

    print(f"λ_hat：{λ_hat[i-1]}，P：{P[i][i]}")

plt.plot(t, X, color = 'blue', label = 'actual')
plt.scatter(t, X, color = 'blue')
plt.plot(t, y_pred[:len(t)], color = 'red', label='STF')
plt.scatter(t, y_pred[:len(t)], color = 'red')
print("y_pred:",y_pred)
print("λ_hat:",λ_hat)
print("X:",X)
plt.legend()

data

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！