卡尔曼滤波,最最容易理解的讲解.找遍网上就这篇看懂了.
2015-09-15 16:17
267 查看
学习卡尔曼滤波看了4天的文章,硬是没看懂.后来找到了下面的文章一下就看懂了.
我对卡尔曼滤波的理解,
我认为,卡尔曼滤波就是把统计学应用到了滤波算法上.
算法的核心思想是,根据当前的仪器"测量值" 和上一刻的 "预测量" 和 "误差",计算得到当前的最优量. 再 预测下一刻的量,
里面比较突出的是观点是.
把误差纳入计算, 而且分为预测误差和测量误差两种.通称为 噪声.
还有一个非常大的特点是,误差独立存在, 始终不受测量数据的影响.
上面的ppt有助于入门理解.
但是在编程的时候你会发现,解释里面的数值23 没有很明确的指出,是指的那个时刻的23 是预测的23 还是上一课测量的23
下面这段文字会有助于你更清晰的理解
卡尔曼滤波是统计学的程序表达.
要想深入理解,公式三 协方差的背后意义 需要学习统计学.
如果仅仅是使用的话,这5个公式套进程序里面还是很容易的.
看到这里如果你明白了原理, 你再回过头看看,会发现.误差是独立存在的. 误差不受数据的影响. 误差按照统计学的协方差公式更新, 跟数据无关.
而且误差是不断变化的.
我对卡尔曼滤波的理解,
我认为,卡尔曼滤波就是把统计学应用到了滤波算法上.
算法的核心思想是,根据当前的仪器"测量值" 和上一刻的 "预测量" 和 "误差",计算得到当前的最优量. 再 预测下一刻的量,
里面比较突出的是观点是.
把误差纳入计算, 而且分为预测误差和测量误差两种.通称为 噪声.
还有一个非常大的特点是,误差独立存在, 始终不受测量数据的影响.
上面的ppt有助于入门理解.
但是在编程的时候你会发现,解释里面的数值23 没有很明确的指出,是指的那个时刻的23 是预测的23 还是上一课测量的23
下面这段文字会有助于你更清晰的理解
卡尔曼滤波是统计学的程序表达.
要想深入理解,公式三 协方差的背后意义 需要学习统计学.
如果仅仅是使用的话,这5个公式套进程序里面还是很容易的.
看到这里如果你明白了原理, 你再回过头看看,会发现.误差是独立存在的. 误差不受数据的影响. 误差按照统计学的协方差公式更新, 跟数据无关.
而且误差是不断变化的.
相关文章推荐
- Android应用打破65K方法数限制
- mybatis 中like 的使用
- C语言实现单链表-02版
- MVC5 + EF6 + Bootstrap3
- c++11——可变参数模板
- 关于echarts动态显示数据报表相关问题
- 一篇讲解动态规划算法不错的文章
- 使用spring data jpa简化dao层编写
- Java 保留两位小数
- NFS服务配置固定端口
- Struts 2 mapping interceptors to action
- 多线程
- Android 使用LeakCanary 检测内存泄露
- 用html中img元素画横竖直线的方法
- vi/vim基本使用方法
- IS--A与 Has-a 区别
- std::function与std::bind 函数指针
- 制作页面小结
- scons脚本示例
- Python 函数的创建和调用