卡尔曼滤波器估计复习-1

参考教材第五章： 捷联惯导算法与组合导航原理-严恭敏、翁浚

最优估计

最优估计为在某一估计准则下，按照统计意义使估计达到最优。
为什么要进行估计，以及评价估计的指标等：

最小方差估计（Minimum Variance, MV）

也称最小均方误差MMSE，这种估计为无偏估计（也就是估计出来的状态的均值等于状态的均值，见式子5.1.20）。
最小方差估计就是使估计的均方误差最小，也称为条件期望估计；可分析X_MV(Z)均方差阵来分析估计效果。

最小方差估计需要知道联合密度函数或者条件概率密度函数才可求解，很多情况下得不到，对比线性最小方差估计就求解简单一些。

线性最小方差估计（Linear Minimum Variance, LMV）

属于特殊的最小方差估计，线性和非线性观测模型函数，都采用观测量的线性建模对状态进行估计，精度会比MV有所降低，但是线性建模非常简单，所以应用广泛。

只需要知道状态和观测的一阶矩和二阶矩就可求解，相对MV它更容易实现。分析LMV下的估计误差与观测量的协相关矩阵为0，即误差与观测量之间互不相关，估计值是被估计值在观测空间的正交投影。

极大似然估计（Max Likelihood, ML）

利用条件概率密度p(z|x)，为了估计X，对Z进行观测，使建立的最大似然函数达到最大值的X作为估计值，这种方法无需建立观测模型。

极大验后估计（Maximun A Posteriori, MAP）

与极大似然函数类似，但这是利用的是p(x|z)，p_X(x)表示在未观测前知道状态X的概率密度函数，为验前概率密度函数；p(x|z)是做出观测后状态的概率密度函数，称为验后概率密度函数。于是与最大似然函数相对的在这又叫做验后方程。

对验后方程求导后发现，在对状态X缺乏先验知识的情况下，ML等于MAP。

加权最小二乘估计（Weighted Least Square, WLS）

与最小二乘估计相比多了一个加权矩阵。

对该估计求均值，只要噪声是零均值的，MLS就是无偏估计。
分析该估计的均方误差阵可以得到，当加权矩阵取 σ²/C_v时，达到最优为最优加权二乘估计。
最小二乘估计要求状态与观测之间为线性关系，且假设噪声为零均值且方差已知的，对X的统计特性没有要求。

递推最小二乘估计（Recursive Least Square, RLS）

递推最小二乘滤波也为卡尔曼滤波打下基础。

贝叶斯估计(Bayesian Estimation)

维纳滤波(Wiener Filtering)