TensorFlow - 卡尔曼滤波

TensorFlow - 卡尔曼滤波

flyfish
噪声：也是无用信号，是指观测数据对系统没有贡献或者起干扰作用的信号。
在传感器数据测量中，无用信号表现为幅度干扰。

例如温度测量中，传感器测量值与真实温度之间有一定的随机波动。
噪声是一个随机过程，随机过程有 功率谱密度函数。
高斯白噪声就是干扰信号幅度服从高斯分布，功率谱密度是均匀分布的。
测量是存储误差的，例如你拿着尺子去量一条线的长度，每次读数时都存在误差的，那解决这个问题是，我们是在相同条件下独立的测量这条线的长度，最后计算一个平均数。
还有另一类问题。
有个X，不同的时刻，X是不同的值，随着时刻t的值为X_t，但是X_t不知道是多少，我们就测量它，结果测量的值为Y_t，这个测量结果是包含误差的，误差为Z_t
于是就有这样的式子
$Y_t=X_t+Z_t$
思路就是知道了$Y_t$，估计下$X_t$是多少
在t时刻和t-1时刻，X的值分别是$X_t$和$X_t{-}_1)$，X_t和$X_t{-}_1)$之间差了$W_t$
那就有这样的式子
$X_t=X_t-1+W_t$
这个式子就像测量室温，时刻t的温度值为$X_t$，但是天气情况，阳光情况，密闭情况都会影响到室内温度的变化，这个变化就是$W_t$。
$X_0\sim \mathrm{N}\left(0,{\sigma }_0^2\right),W_t\sim \mathrm{N}\left(0,{\alpha }^2\right),Z_t\sim \mathrm{N}\left(0,{\beta }^2\right),X_0,W_1,W_2,\cdots ,Z_1,Z_2,\cdots$
它们之间都是相互独立的，

${\sigma }_0^2,{\alpha }^2,{\beta }^2$是已知的,通过$Y_1,\cdots ,Y_t$估算$X_t$

t=1的时候，根据Y_1估算X_1
先组成方程组
$X_1=X_0+W_1,Y_1=X_1+Z_1=X_0+W_1+Z_1$

再转换成矩阵形式

$\left(\begin{array}{l}{Y}_1\\ X_1\end{array}\right)=\left(\begin{array}{lll}1& 1& 1\\ 0& 1& 1\end{array}\right)\left(\begin{array}{l}{Z}_1\\ W_1\\ X_0\end{array}\right)$

$$J\equiv \left(\begin{array}{lll}1& 1& 1\\ 0& 1& 1\end{array}\right)$$

$$\left(\begin{array}{l}{Y}_1\\ X_1\end{array}\right)\sim \mathrm{N}\left(o,V_1\right)$$

$$V_1\equiv J\left(\begin{array}{ccc}{\beta }^2& 0& 0\\ 0& {\alpha }^2& 0\\ 0& 0& {\sigma }_0^2\end{array}\right)J^T=\left(\begin{array}{cc}{\tau }_1^2+{\beta }^2& {\tau }_1^2\\ {\tau }_1^2& {\tau }_1^2\end{array}\right)$$

$${\tau }_1^2\equiv \mathrm{V}\left[X_1\right]={\sigma }_0^2+{\alpha }^2$$

计算
$$\begin{array}{rl}{\mu }_1& \equiv \mathrm{E}\left[X_1|Y_1=y_1\right]=\frac{{\tau }_1^2{y}_1}{{\tau }_1^2+{\beta }^2}\\ {\sigma }_1^2& \equiv \mathrm{V}\left[X_1|Y_1=y_1\right]=\frac{{\tau }_1^2{\beta }^2}{{\tau }_1^2+{\beta }^2}\end{array}$$

上面是t=1的情况，再看t=2的情况
$$\left(\begin{array}{c}{Y}_2\\ X_2\end{array}\right)=\left(\begin{array}{ccc}1& 1& 1\\ 0& 1& 1\end{array}\right)\left(\begin{array}{l}{Z}_2\\ W_2\\ X_1\end{array}\right)$$
$$\begin{array}{rl}{\mu }_2& \equiv \mathrm{E}\left[X_2|Y_2=y_2,Y_1=y_1\right]={\mu }_1+\frac{{\tau }_2^2\left(y_2-{\mu }_1\right)}{{\tau }_2^2+{\beta }^2}=\frac{{\tau }_2^2{y}_2+{\beta }^2{\mu }_1}{{\tau }_2^2+{\beta }^2}\\ {\sigma }_2^2& =\mathrm{V}\left[X_2|Y_2=y_2,Y_1=y_1\right]=\frac{{\tau }_2^2{\beta }^2}{{\tau }_2^2+{\beta }^2}\\ {\tau }_2^2& =\mathrm{V}\left[X_2|Y_1=y_1\right]={\sigma }_1^2+{\alpha }^2\end{array}$$