卡尔曼滤波——从推导到应用（上）

卡尔曼却将近60岁了。尽管距离算法得诞生已经半个多世纪了，但是却历久弥新，永不过时。
它仍然是当前使用最广泛的数据融合算法。

kalman核心就是两个过程，五个公式：
一、预测过程

二、更新过程

预测可以理解成根据公式进行计算得到的一个值，这样会存在一个协方差误差。Q
更新过程是一个纠正过程，就用另一个观测值来纠正预测值。
那我们应该更相信谁呢，预测还是更新？
这就需要比较他们之间的协方差误差大小**（给出了一个kalman系数）**
相当于找到了一个求权重的方法。

一年后来看卡尔曼，真的觉得挺简单的了。

经典案例：
温度预测
室内温度恒定为23.5度。
根据经验预测时，温度是保持不变的，但是存在一个预测方差Q = 4e-4
但是测数时有一个测量误差，符合高斯分布，方差为R = 0.2^2

假定初始估计温度为25度
初始kalma系统方差为P = 1.0

python代码实现如下：

'''
Kalman filter example demo in Python

'''
import numpy as np
import matplotlib.pyplot