卡尔曼滤波器从入门到放弃（二）

在上一节中，我们对卡尔曼滤波器进行了简单的使用以及理解，为了更好的推到卡尔曼滤波器五大核心公式，我们补充两个数学知识，分别是数据融合和协方差矩阵。

1、数据融合

假如现在使用两个称测量同一个物体，测量的数据分别是Z1 = 30g，Z2 = 32g，两把尺子的误差分别是simga1 = 2g，simga2 = 4g，两次的测量结果均服从正态分布

根据，此时我们可以得到，

我们的目标就是求一个K的值使得sigmaZ最小，即方差Var(z(hat))最小。

对（1）式进行求导操作：

此时，我们得到的标准差就是1.79，当k = 0.2的时候，误差最小。

2、协方差矩阵

协方差矩阵代表了数据与数据之间的相关性，协方差的求法如下：

 而协方差矩阵每个位置上分别代表两个相关变量之间的相关性，数值越大代表相关性越强，数据越小，代表相关性越小，协方差矩阵的主对角线上代表了数据自身和自身的相关性。

 举例：

 

 上图中分别是前年球星的身高体重年龄数据，右边为相关数据的协方差矩阵，可以看得出身高和体重之间的相关性比较强，而年龄和体重以及身高之间的相关性较弱，说明球星们随着年龄的增长身材并没有走样，同时也说明球踢的好坏与年龄并没有太大的关系。

其中C罗当时都已经是３５岁的中年男人了，但是依然活跃在赛场上，我们作为年轻人有什么理由不努力。