递归总体最小二乘法
递归总体最小二乘法
1 贝叶斯滤波
1.1 贝叶斯公式(条件概率公式+全概率公式)
先验概率
似然
归一化因子/全概率公式
后验概率
1.2贝叶斯滤波
贝叶斯公式:
递归(预测):由 t − 1 t-1 t−1 时刻的后验概率和状态转移概率,预测 t t t 时刻的先验概率 N ∼ ( x ^ t ∣ t − 1 , P t ∣ t − 1 ) N \sim(\hat{x}_{t|t-1},{P}_{t|t-1}) N∼(x^t∣t−1,Pt∣t−1)
更新:由 t t t 时刻的先验概率和似然概率 N ∼ ( y t ∣ t , R t ∣ t ) N \sim({y}_{t|t},{R}_{t|t}) N∼(yt∣t,Rt∣t) 更新 t t t 时刻的后验概率 N ∼ ( x ^ t ∣ t , P t ∣ t ) N \sim(\hat{x}_{t|t},{P}_{t|t}) N∼(x^t∣t,Pt∣t)
x ^ t ∣ t − 1 = \hat{x}_{t|t-1}= x^t∣t−1=
2 Kalman Filter
x ^ t = K t × Z t + ( 1 − K t ) × x ^ t − 1 \hat{x}_{t}=K_{t}\times Z_{t} + (1-K_{t})\times \hat{x}_{t-1} x^t=Kt×Zt+(1−Kt)×x^t−1
2.1 状态方程与观测方程
状 态 方 程 : x t = F × x t − 1 + w 观 测 方 程 : y t = H × x t + v 状态方程:x_{t}=F\times x_{t-1}+w\\ 观测方程:y_{t}=H\times x_{t}+v 状态方程:xt=F×xt−1+w观测方程:yt=H×xt+v
w w w和 v v v是白噪声, p ( w ) ∼ N ( 0 , Q ) p(w) \sim N(0,Q) p(w)∼N(0,Q), p ( v ) ∼ N ( 0 , R ) p(v) \sim N(0,R) p(v)∼N(0,R), Q = w w T Q=ww^T Q=wwT, Q = v v T Q=vv^T Q=vvT, E ( w )