卡尔曼滤波推导+贝叶斯滤波推导+粒子滤波推导

一、Kalman Filter

1、前言
1、两个传感器测量同一个信号,为了减小误差我们可以采用取平均的方式,进一步的我们采用加权平均(由方差大小分配),加权平均是一种静态分配方式。方差是随外界环境而变的,加权值也应该随之改变,这就是卡尔曼滤波出现的原因,它是一种动态更新加权值,不断迭代的算法。卡尔曼是对模型预测值以及传感器观测值加权平均,模型只有一个步长,x(k-1)得到x(k),其中x(k-1)是上一时刻卡尔曼得到最优值。
2、对象:线性高斯模型,这个模型最好的地方在于两个高斯分布的乘积仍然是一高斯分布,由此实现模型的动态迭代。
3、本质:参数化的贝叶斯模型。先验估计:对下一时刻系统初步状态估计;结合先验估计以及测量反馈,得到后验估计。
4、应用:最优化自回归数据处理算法、机器人导航、雷达系统、图像处理等
————————————————
2、5个黄金公式
在这里插入图片描述
在这里插入图片描述
3、模型建立
在这里插入图片描述
在这里插入图片描述
4、算法推导
1、prediction 2、measurement update
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、Bayesian

在这里插入图片描述
在这里插入图片描述

三、Partical Filter

在这里插入图片描述
在这里插入图片描述
1.重采样
引出原因:一个粒子权重特别大,其他粒子权重特别小,对最终结果没有影响,有一部分计算量浪费在权重小的粒子上,这是粒子滤波的一种退化。好钢用在刀刃上。
在这里插入图片描述
扩展卡尔曼 公式推导

https://blog.csdn.net/gangdanerya/article/details/105105611

  • 2
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值