控制理论
文章平均质量分 89
XYP °
这个作者很懒,什么都没留下…
展开
-
动态滤波和卡尔曼滤波(3)
一、隐马尔科夫模型 隐马尔科夫模型是一个特别有用的概念,在目标跟踪或滤波中广泛使用的卡尔曼滤波就是一个隐马尔科夫的应用,还有其他很有应用。马尔科夫(有时被称为可视马尔科夫,VMM)与隐马尔科夫(HMM)都是用来描述时序概率问题的,用当前及过去的信息来预测未来信息。 那么VMM和HMM有什么区别呢?VMM中的状态序列是可观测的,HMM中的状态序列是不可观测的,而可观测到的事件是一个状态序列的一个概率事件,即HMM是一个双重随机过程,其中的状态是隐藏的,所以称为隐马尔科夫。 1. 定义 隐马尔科夫模型是关于时序原创 2022-01-10 01:25:36 · 432 阅读 · 0 评论 -
动态滤波和卡尔曼滤波(2)
3.滤波问题 根据目前为止所有的测量数据,估计当前的状态,这便是滤波。但是直接计算会有一个很明显的问题,注意到,计算值的条件是过去所有的测量数据,意味着计算每一个时刻都要回顾整个历史测量数据,那么随着时间的推移,更新的代价会越来越大。所以需要找到一种办法,根据时刻t的滤波结果,和时刻t+1的的测量数据,就能计算出t+1时刻的滤波结果,这个计算过程叫做递归估计。用公式表示,存在某个函数f,满足: P(Xt+1∣Y1:t+1)=f(YT+1,P(Xt∣Y1:t) P(X_{t+1}|Y_{1:t+1})=f(Y转载 2022-01-08 02:48:54 · 552 阅读 · 0 评论 -
动态滤波和卡尔曼滤波
1、先验知识 (1)、条件概率 条件概率的定义:条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为:P(A∣B)P(A|B)P(A∣B),读作“A在B发生的条件下发生的概率”。 乘法定理: P(A∩B)=P(A)∗P(B∣A)=P(B)∗P(A∣B)P(A\cap B)=P(A)*P(B|A)=P(B)*P(A|B)P(A∩B)=P(A)∗P(B∣A)=P(B)∗P(A∣B) 由乘法定理就可以推出全概率公式, P(A∣B)=P(A)∗P(B∣A)P(B)P(A|B)=\frac{P(转载 2022-01-06 05:02:53 · 506 阅读 · 0 评论 -
最小二乘法(1)
最小二乘法(1) 用于测量处理的线性数学模型是由一个超定线性方程组给定的: ∑j=1naijxj≈bj(i=1,2,3,....,N),n<N \sum_{j=1}^n a_{ij} x_j \approx b_j (i = 1,2,3,....,N), n<N j=1∑naijxj≈bj(i=1,2,3,....,N),n<N 简写为Ax≈bAx \approx bAx≈b 注: b=∣∣bi∣∣i=1Nb = ||b_i||_{i=1}^Nb=∣∣bi∣∣i=1N ——原创 2022-01-04 04:02:41 · 173 阅读 · 0 评论