Kalman 滤波

Kalman 滤波

1. 简介

Kalman 滤波常用于目标的追踪、预测等任务。滤波器被设计为最小化均方误差。此外，还可以用极大似然的方法得到滤波器。滤波器就是用来从信号中提取出有用的信息，使用一个损失函数评价滤波器的性能。

2. 极大似然估计

使用极大似然的方法得到一个滤波器，最终的目标就是得到一个$\hat{x}$ 使得$y$的条件概率最大，即
$$max[P(y|\hat{x})]$$
假设信号中的噪声是服从高斯分布的$\mathcal{N}(0,{\sigma }_k)$。假设信号为
$$y_k=a_k{x}_k+n_k$$
其中$n_k$是噪声，$x_k$是承载数据的信号，$a_k$是系数，那么根据噪声服从高斯分布以及条件概率公式可以得到：
$$P(y_k|{\hat{x}}_k)=K_k\cdot e^{-\left(\frac{(y_k-a_k\widehat{x_k}{)}^2}{2{\sigma }_k^2}\right)}$$
对上式求对数得到：
$$\log P(y|\hat{x})=-\frac{1}{2}\sum _k\left(\frac{(y_k-a_k{\hat{x}}_k{)}^2}{{\sigma }_k^2}\right)+C$$
其中$C$是常数项。

3. 状态空间

假设目标是要获得如下过程中变量的值：
$$x_{k+1}=\Phi x_k+{\omega }_k$$
其中 $x_k$是$t$时刻的状态向量，$\Phi$是从时刻 $t$到时刻 $t+1$的状态转移矩阵，并且是被认为时间平稳的，${\omega }_k$是高斯白噪声。

变量的观察量定义为：
$$z_k=H{x}_k+v_k$$
其中 $z_k$是时刻$t$的$x$的观测量，$H$是将状态向量转换为观测向量的矩阵，并且被认为是时间平稳的， v k v_k