仪器的观测存在较大的随机误差,因此会出现极端异常观测值。为此,本研究采用Kalman滤波对观测进行最佳估计,进而对时序数据进行降维处理。Kalman滤波是R. E. Kalman[1, 2]提出的一种时域滤波算法,其采用时间递推的方式,考虑了系统的过程噪声和测量噪声[3],是一种对观测值的线性最小方差估计方法[1]。Kalman滤波可以基于系统上一时刻的状态预测下一状态,当获得下一状态的观测值时,根据下一状态的预测结果和观测结果获得下一状态的最优化估计。由于在状态预测和最优估计更新时状态的噪声也被更新,因此Kalman不仅能够处理平稳变化的随机过程,也能处理多维和非平稳的随机过程[4]。
Kalman滤波是一个不断预测和修正的模型,其具体原理如下[1]:
由于观测存在观测噪声,将其加入模拟25度的室内温度的观测值(matlab代码):
clear all
N=200;
w=0.1*