Kalman滤波学习记录（二）

递推最小二乘

算法中需要递推数据，因此将k次数据排成列向量，其实本质上最小二乘就是对冗余的数据进行估计，关键时要推导出k个数据的结果和k+1个数据的结果的关系。

由于矩阵和的逆阵的展开很长，式子很长，但是从中可以看出，递推式使用了过去推断，加上现在观测，两者取了权重，可以联想到低通滤波器，其实都是数据权重的选取。对数据的滤波本质上就是对各种数据进行权重的处理。

递推最小二乘

同上，不过在其中加入权重阵W

再进一步

如果将k时刻的P阵替换为一步外推的P阵，那么和kalman滤波的公式完全相同，即kalman滤波可以理解为递推权重最小二乘，能将预测值的方差小于任意观测值的方差，用这种方式来直观理解kalman滤波是最能让人接受的。对于加入误差协方差外推阵，可以从状态估计对的最终表达式看出，由于使用了一步预测的状态值，因此使用的误差协方差阵也应该更新为一步预测的误差协方差阵，考虑协方差的传播特性，补上方程

此即为kalman滤波的方程。
Kalman滤波的方程上由于考虑舍入误差的影响，P阵的计算会有不同的形式。
接下来，还有一个大问题：为什么kalman滤波器的控制输入没有体现？