卡尔曼滤波学习笔记(1)
2016-09-09 23:30
176 查看
最小二乘加权最小二乘估计
递推最小二乘RLS
卡尔曼滤波
1 理解
2 使用过程中注意的问题
y=Hx+v
测量残差
ε=y−Hx^
代价函数
ε=(y−Hx^)T(y−Hx^)=yTy−x^THTy−yTHx^+x^THTHx^
最优准则
∂J∂x^=−yTH−yTH+2x^THTH=0
求解这个方程,得
HyTx=HTHx^=(HTH)−1HTy=HLy
)
其中,3x−1−−−−−√+(1+x)2
线性系统
递推算法
最优滤波算法
由系统模型和观测模型来确定
控制量(输入)、状态量、观测量(输出)
状态方程
x(tk)=A(tk,tk−1)+B(tk−1)u(tk−1)+w(tk−1))
观测方程
y(tk)=C(tk)x(tk)+v(tk))
滤波器初值的确定
x0^P0=E(x0)=E[(x0−x0^)(x0−x0^)T]
过程噪声和测量噪声的方差估算
卡尔曼滤波器设计和调试中重要而困难的一步
递推最小二乘RLS
卡尔曼滤波
1 理解
2 使用过程中注意的问题
最小二乘/加权最小二乘估计
观测方程y=Hx+v
测量残差
ε=y−Hx^
代价函数
ε=(y−Hx^)T(y−Hx^)=yTy−x^THTy−yTHx^+x^THTHx^
最优准则
∂J∂x^=−yTH−yTH+2x^THTH=0
求解这个方程,得
HyTx=HTHx^=(HTH)−1HTy=HLy
)
其中,3x−1−−−−−√+(1+x)2
2. 递推最小二乘(RLS)
3. 卡尔曼滤波
3.1 理解
基于最小均方误差准则MMSE线性系统
递推算法
最优滤波算法
3.2 使用过程中注意的问题
滤波器系数的确定由系统模型和观测模型来确定
控制量(输入)、状态量、观测量(输出)
状态方程
x(tk)=A(tk,tk−1)+B(tk−1)u(tk−1)+w(tk−1))
观测方程
y(tk)=C(tk)x(tk)+v(tk))
滤波器初值的确定
x0^P0=E(x0)=E[(x0−x0^)(x0−x0^)T]
过程噪声和测量噪声的方差估算
卡尔曼滤波器设计和调试中重要而困难的一步
相关文章推荐
- Perl信号处理学习简单小结
- kalman filter 卡尔曼滤波的例子
- 蛇形走线的作用
- Head First C 学习日志 第十章 进程间通信 捕捉信号
- linux/unix信号机制学习
- 数字音效 变速变调 立体声
- 数字信号处理笔记
- 数字信号处理笔记
- 智能视频监控中的多目标跟踪分析
- HEVC插值滤波器
- 傅里叶变换和线性空间
- CORDIC算法(一):圆周旋转模式下计算三角函数和模值
- 1.信号与系统
- C语言实现简单的守护进程及信号处理
- 10种滤波算法ADC软件滤波方法及程序
- [编程练习] 卷积和实现demo——对阶跃函数进行一维高斯模糊
- 数字图像处理中的邻域
- 小波变换和motion信号处理
- LTE-发送端信号处理
- Linux进程间的通信——信号处理