卡尔曼滤波及其java实现

卡尔曼滤波简介

卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。虽然卡尔曼滤波在对过去值的估计、对现在值的估计以及对将来值的估计方面都有应用，但是如果直接将卡尔曼滤波运用到预测上，其实是很不适用的。在预测过程中一般将卡尔曼滤波与ARMA模型结合，可以对ARMA模型的预测值进行修正，并在一定程度上提升arma预测模型的准确度。

ARMA模型

关于ARMA模型的介绍及其实现可参考 ARIMA模型原理及其java实现。此处不再进行介绍。

结合卡尔曼滤波的ARMA模型介绍

ARIMA模型与线性空间的转换（Harvey方法）

假定ARMA(p,q)的模型为：

为了方便之后模型的推导，可以选ARMA(p,q)=ARMA(m, m-1)，即

因此ARMA(m, m-1)模型为

Harvey方法中，给出了具有m
维状态向量st_的状态空间的一种形式，该状态向量的第一个元素是yt_，即

而对于st_的其他元素通过递归得到。通过上面的表达式，不难得到：

其中：

此外，考虑s_{2,t+1}，有：

其中：

依次类推，分别可得到

由上面的表述，我们可求得最终s_{k,t}的递推式：