![25888808-3117-eb11-8da9-e4434bdf6706.png](http://p05.5ceimg.com/content/25888808-3117-eb11-8da9-e4434bdf6706.png)
The Jacobian雅可比矩阵
为了回答我们第8部分的第二个问题——如何将我们的单值非线性状态/观测模型推广到多值系统,这将有助于我们回忆线性模型传感器组件的方程:
![26888808-3117-eb11-8da9-e4434bdf6706.png](http://p02.5ceimg.com/content/26888808-3117-eb11-8da9-e4434bdf6706.png)
对于一个有两个状态值与三个传感器的系统,我们可以重写系统观测模型:
![28888808-3117-eb11-8da9-e4434bdf6706.png](http://p03.5ceimg.com/content/28888808-3117-eb11-8da9-e4434bdf6706.png)
或许你之前并没有见过这种表示方法,但其实这么表示方式还是非常直观的:C矩阵元素上的双数值索引表示每个元素的行和列位置,但更重要的是表示关系。例如,
对于非线性模型,同样会有一个矩阵,其行数等于传感器数,列数等于状态数;但是,该矩阵将包含传感器值相对于该状态值的一阶导数的当前值。数学家将这种导数称为偏导数,并将这些导数的矩阵称为雅可比矩阵。
如果这些概念看起来令人困惑,那么想想一项调查,其中一组人被要求在一个量表上对两种不同的产品进行评分(比如,1到5)。每个产品的总分将是该产品所有用户评分的平均值。为了了解一个人如何影响单个产品的整体评级,我们将查看此人对该产品的评级。每一个这样的人/产品评级都像是一个偏导数,而这个人/产品评级表就像是雅可比矩阵。用传感器替换人,用状态替换问题,你就能理解扩展卡尔曼滤波器的传感器模型。
在这一点上剩下的就是将我们的非线性传感器/状态模型推广到状态转换模型。换句话说,我们的线性模型
![29888808-3117-eb11-8da9-e4434bdf6706.png](http://p02.5ceimg.com/content/29888808-3117-eb11-8da9-e4434bdf6706.png)
变成:
![2b888808-3117-eb11-8da9-e4434bdf6706.png](http://p03.5ceimg.com/content/2b888808-3117-eb11-8da9-e4434bdf6706.png)
其中A被状态变换函数f的雅可比替换。事实上,惯例是对这个雅可比矩阵使用
![2c888808-3117-eb11-8da9-e4434bdf6706.png](http://p02.5ceimg.com/content/2c888808-3117-eb11-8da9-e4434bdf6706.png)