- 博客(10)
- 收藏
- 关注
RSS订阅
1原创 卡尔曼滤波学习(4)
去得到最优解，就和之前 卡尔曼学习(2) 中根据两个有误差结果去估计一个相对准确的最优解很相似，不过是换做了一个预测值和一个测量值去进行数据融合。在之前的 卡尔曼学习(1) 中提到过，系统的估计和测量都不可避免的存在误差，在方程(5)和(6)中分别引入过程噪音。上述方程(1)和(2)为该系统的状态变化方程，体现了该系统物体的速度和加速度随时间的变化量。对时间的导数，反应出在连续时间上的变化，即系统状态变化。关于t时刻的二阶导数，即t时刻的加速度。关于t时刻的导数，即t时刻的速度；的观测值，即测量值。
2024-03-09 18:00:48
333
原创 卡尔曼滤波学习(3)
当协方差小于0时，表明两个变量变化呈现负相关，变量变化方向相反。而协方差的绝对值的大小反应了，两个变量的相关程度，越大相关程度越高。矩阵P一定程度上反应了，球员的身高、年龄、体重的相关程度，可以看出身高和体重的相关程度较高，而年龄和身高/体重的相关程度均较低。下面举例说明协方差矩阵求解和作用，下面是球员的信息，来求解身高、体重、年龄的协方差矩阵。协方差大于0，x、y变化呈现正相关，我们可以观察每一对x、y都是同时大于或小于平均值。下面列出使用矩阵求解协方差矩阵的计算过程，首先求解过渡矩阵。
2024-03-09 16:01:38
418
原创 卡尔曼滤波学习(2)
在数据融合中，卡尔曼滤波通过结合系统模型的预测和传感器测量的信息，以最优的方式更新对系统状态的估计。这是通过计算卡尔曼增益来实现的，该增益确定了如何将预测值与测量值进行组合，以获得最优的状态估计。数据融合是指将来自不同传感器或源的信息整合在一起，以提高对系统状态的估计精度。在卡尔曼滤波中，数据融合通常涉及到两个主要来源的信息：预测（系统模型）和测量（传感器数据）。现在来估计该物体的最优估计值，就需要上一次提到卡尔曼增益，，由此就得到该物体质量的最优估计值，这就是过程就是数据融合。
2024-03-07 22:39:37
439
原创 卡尔曼滤波学习(1)
卡尔曼滤波（Kalman Filtering）是一种用于估计系统状态的数学方法，特别适用于动态系统和含有噪声的测量。卡尔曼滤波的主要目标是通过融合系统的动态模型和实际测量，提供对系统状态的最优估计。它假设系统的状态是线性动态的，且测量中可能存在噪声。由上面3个公式我们就可以做一些对结果估计的事情了，例如，一个物体实际长度50cm，现在有一把尺子来测量其长度，每次测量误差为±3cm，我们来使用上述公式对该物体长度进行估计。由上述表格和折线图可见，预测结果随着次数不断增加在不断靠近物体长度的真实值。
2024-03-05 23:17:05
693
原创 正态分布（高斯分布）相关概念
正态分布，也称为高斯分布，是概率统计学中一种重要的概率分布，通常用于描述自然界中的许多现象。在实际应用中，如果数据大致符合正态分布，我们可以使用这个规则来估计数据集中的观测值相对于均值的位置。在正态分布中，数据集中的大约68%的数据在均值的1个标准差范围内，95%在2个标准差范围内，99.7%在3个标准差范围内，换言之该数据集数据极不可能出现在3个标准差范围之外。相反，概率密度函数的性质是，概率在一点上没有直接的物理意义，而是通过对连续概率密度函数进行积分得到。标准差决定了曲线的宽度。在某一特定点上的值。
2024-02-26 22:44:20
1660
原创 方差、标准差、协方差、相关系数概念描述
协方差与相关系数密切相关，相关系数是协方差的标准化版本，范围在 -1 到 1 之间，可以更好地表示两个变量之间的线性关系的强度和方向。与方差不同，标准差的值具有与原始数据相同的单位，这使得标准差更容易与数据的实际范围进行比较和解释。它的值介于 -1 和 1 之间，可以帮助我们了解两个变量之间的关联程度以及关联的方向。在计算相关系数时，与协方差不同，相关系数是无量纲的，因此不受变量单位的影响。在统计学和数据分析中，标准差是一个常见的工具，用于描述数据的变异程度，以便更好地理解和分析数据的特征。
2024-02-25 15:35:33
1713
卡尔曼滤波-C语言 卡尔曼滤波学习(7)http://t.csdnimg.cn/4ubGO
2024-03-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人