最大似然估计,最小二乘估计,卡尔曼滤波,三者的相互关系

卡尔曼滤波博大精深,如果仅仅满足于知道它的五个公式,而不知道它的来龙去脉和应用场景,那么,这些本事以后恐怕是上不了台面的.所以,虽然我们不求把背景知识都摸透,但是起码将它的每一步都弄清楚,这是很有必要的.

首先假设我们看了且熟悉了卡尔曼滤波的推导，自己多推导几遍.其中最重要的一步:求K,方法是对协方差矩阵的迹求导,为什么,这就牵扯到了最大似然和最小二乘这两个估计方法.

然后看最大似然估计:这篇文章,浅显易懂.简言之,已知一堆样本和模型,求模型参数使得样本的联合概率最大.

再看最小二乘估计:看《最优状态估计》这本书（讲得非常好，例子也很好），简言之,已知一堆观测值和模型,求解估计值，使得估计值与真实观测值方差之和最小。

那么,C23=3,三种关系我们一一来分解: