一、递归形式
将上述
1
/
k
1/k
1/k记做一个参数
K
k
K_k
Kk,
- 估计误差(当前模型决定)远大于测量误差(自身测量系统)时,即说明估计不可信,当前估计值由测量值决定;
- 估计误差远小于测量误差时,及说明模型的精度已经很好了,当前的估计值主要依赖与估计值,而不是测量值。
算法过程:
二、数据融合
z1、z2表示两个秤的测量值。
三、公式推导
其中,P(w)表示的是噪声的概率密度函数,服从均值为0,协方差矩阵为Q的正态分布。(这里的w是向量,所以要用协方差表示向量中各元素值之间的关系。)
其中:
(先验:理解成模型的计算结果;后验:理解成测量结果)
经过一系列变换求导,最后求得:
四、误差协方差矩阵
最终的卡尔曼滤波的过程(包含五个公式):
卡尔曼滤波示例
具体例子:
注意,这里的T平方是状态转移矩阵里面的!而不是变量。
意思是
s
t
=
s
t
−
1
+
v
T
+
1
/
2
a
×
T
2
s_t=s_{t-1}+vT+1/2a×T^2
st=st−1+vT+1/2a×T2
五、扩展卡尔曼滤波
注意,所有的状态变量都是用一个向量x表示的,所有的测量变量也是这样。