随机过程——卡尔曼滤波学习笔记

随机过程——卡尔曼滤波学习笔记

article2024/11/24 6:42:38/文章来源:https://blog.csdn.net/m0_46521579/article/details/135521570

一、均方预测和随机序列分解

考虑随机序列 $X(k),X(k-1),X(k-2),\cdots, X(2),X(1),X(0)$

使用 $X(k-1),X(k-2),\cdots,X(2),X(1),X(0)$ 预测 $X(k)$

定义 $X_{MS}(k) = E[X(k)|X(k-1),X(k-2),\cdots ,X(0)]$

称为 $X(k)$ 的均方可预测部分。

若 $X(k),X(k-1),\cdots ,X(1),X(0)$ 相互独立，则 $X(k)$ 是均方不可预测的。

$X_{MS}(k) = E[X(k)|X(k-1),X(k-2),\cdots ,X(0)] = E[X(k)]$

定义随机序列 $X(k)$ 的新息序列 $V(k)=X(k)-X_{MS}(k)$

V(k)基于样本观测的条件均值为0，即均方不可预测。

V(k)与 $X_{MS}(k)$ 是正交的，即 $E[V(k)X_{MS}(k)] = 0$ 。

二、卡尔曼滤波

输入观测量 $z(n)$ ，对 $x(n)$ 进行估计得到 $\hat{x}(n)$

1. 系统模型

状态方程

$x(n)=F(n,n-1)x(n-1)+v_1(n-1)$

观测方程

$z(n)=C(n)x(n)+v_2(n)$

其中，

$x(n)$ ：状态向量， $N \times 1$

$z(n)$ ：观测向量， $M \times 1$

$v_1(n)$ ：状态噪声， $N \times 1$ ，高斯白噪声

$v_2(n)$ ：观测噪声， $M \times 1$ ，高斯白噪声

$F(n, n-1)$ ：状态转移矩阵， $N \times N$

$C(n)$ ：观测矩阵， $M \times N$

相关性质：

（1）乘积率： $F(n+1, n-1) = F(n+1, n)F(n, n-1)$

（2）状态噪声自相关矩阵： $E\left[ v_1(n) v_1^H(n) \right ] = Q_1(n) \delta(n-k)$

（3）观测噪声自相关矩阵： $E\left[ v_2(n) v_2^H(n) \right ] = Q_2(n) \delta(n-k)$

（4）噪声独立性： $E\left[ v_1(n) v_2^H(n) \right ] = 0$

2. 新息过程

定义MMSE下的预测误差 $e(n)$ 为新息过程，记作 $a(n)$

$a(n) = z(n) - \hat{d}(n) = z(n) - W^Hz_{n-1}$

$\hat{d}(n)$ 记作 $\hat{z}\left( n | Z_{n-1} \right )$ 是用前n-1个观测值对z(n)进行MMSE估计。

其中，

观测向量： $z_{n-1} = \left[ z(1), z(2), z(3), \cdots , z(n-1) \right ]^T$

权向量： $W = \left[ w_1, w_2, \cdots, w_{n-1} \right ]^{T}$

性质

（1）当前新息与以前各观测量正交

$E\left[ a(n) z^{*}(n) \right ] = 0, k=0,1,2,\cdots,n-1$

（2）当前新息与以前各新息正交

$E\left[ a(n) a^{*}(n) \right ] = 0, k=0,1,2,\cdots,n-1$

（3）新息与观测量等价

3. 用观测量估计（MMSE估计）状态变量

$\hat{x}(n|Z_n) = W^{H} z_n = W^HL_{n}^{-1}a_n = b^{H}a_n$

其中，

$a_n = a(n) = \left[ a(1), a(2), \cdots, a(n) \right ]^T$

$b(n) = \left[ b(1), b(2), \cdots, b(n) \right ]^T$

$A(n) = E\left[ a_n a_n^{H} \right ]$

$p_a(n) = E\left[ a_n x^{*}(n) \right ]$

递推形式：

$\hat{x}(n|Z_n) = b^{H} a_n = \sum_{i=1}^{n} b^{*}(i)a(i) = \hat{x}(n|Z_{n-1}) + b^{*}(n)a(n)$

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/313129.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

哪款台灯护眼效果最好？高品质的儿童护眼台灯推荐

哪款台灯护眼效果最好？高品质的儿童护眼台灯推荐

根据去年的报道，全国儿童青少年的整体近视率高达至52.7%，其中幼儿园及小学生患近视率为35.6%，初中生为71.1%，高中生和大学生为80.5%，大学生更是达到90%！也就是说几乎绝大部分青少年都患有近视，而…

阅读更多...

SpringBoot知识02

SpringBoot知识02

1、快速生成mapper和service （自动生成简单的单表sql） 2、springboot配置swagger（路径不用加/api） （1）主pom导包（子pom要引用，可选依赖） <!-- swagger3…

阅读更多...

慢 SQL 的优化思路

慢 SQL 的优化思路

分析慢 SQL 如何定位慢 SQL 呢？ 可以通过 slow log 来查看慢SQL，默认的情况下，MySQL 数据库是不开启慢查询日志（slow query log）。所以我们需要手动把它打开。查看下慢查询日志配置，我们可以使用 show …

阅读更多...

网络市场中的品牌推广：面向新一代数字原住民的挑战与机遇

网络市场中的品牌推广：面向新一代数字原住民的挑战与机遇

随着科技的迅速发展和互联网的普及，我们正处在一个网络成熟期，一个以数字化和网络化为特征的新时代。在这个时代，新一代的数字原住民经营者正在崛起，他们依赖网络寻找商机，建立自己的事业。对于企业来说，如…

阅读更多...

易安联参与制定的《面向云计算的零信任体系》行业标准即将实施

易安联参与制定的《面向云计算的零信任体系》行业标准即将实施

中华人民共和国工业和信息化部公告2023年第38号文件正式发布行业标准：YD/T 4598.2-2023《面向云计算的零信任体系第2部分：关键能力要求》及YD/T 4598.3-2023《面向云计算的零信任体系第3部分：安全访问服务边缘能力要求》，并于20…

阅读更多...

YOLOv8-Seg改进：UNetv2多层次特征融合模块结合DualConv、GSConv

YOLOv8-Seg改进：UNetv2多层次特征融合模块结合DualConv、GSConv

🚀🚀🚀本文改进：多层次特征融合（SDI）结合DualConv、GSConv模块等实现二次创新 🚀🚀🚀SDI 亲测在多个数据集能够实现涨点，同样适用于小目标检测 🚀🚀🚀YOLOv8-seg创新专栏：http://t.csdnimg.cn/KLSdv 学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定…

阅读更多...

怎么做微信秒杀链接_开启用户的购物新体验

怎么做微信秒杀链接_开启用户的购物新体验

微信秒杀：开启你的购物新体验在繁忙的生活节奏中，你是否厌倦了长时间排队等待购物，或者在电商平台上漫长而复杂的购物流程？今天，我要向你介绍一种全新的购物方式——微信秒杀。这不仅是一种全新的购物体验&#xff0…

阅读更多...

YOLOv8改进 | 二次创新篇 | 在Dyhead检测头的基础上替换DCNv3 (全网独家首发)

YOLOv8改进 | 二次创新篇 | 在Dyhead检测头的基础上替换DCNv3 (全网独家首发)

一、本文介绍本文给大家带来的改进机制是在DynamicHead上替换DCNv3模块，其中DynamicHead的核心为DCNv2，但是今年新更新了DCNv3其作为v2的升级版效果肯定是更好的，所以我将其中的核心机制替换为DCNv3给Dyhead相当于做了一个升级，效果也比之前的普通版本要好，这个机制我认…

阅读更多...

如何使用CFImagehost结合内网穿透搭建私人图床并无公网ip远程访问

如何使用CFImagehost结合内网穿透搭建私人图床并无公网ip远程访问

[TOC] 推荐一个人工智能学习网站点击跳转 1.前言图片服务器也称作图床，可以说是互联网存储中最重要的应用之一，不仅网站需要图床提供的外链调取图片，个人或企业也用图床存储各种图片，方便随时访问查看。不过由于图床很不挣钱&a…

阅读更多...

网络层详解

网络层详解

目录前言一、IP协议 1、IP协议报头 2、协议字段理解 （1）4位版本 （2）4位首部长度 （3）8位服务类型 （4）16位总长度 （5）标识、标志与片偏移 &#xf…

阅读更多...

C#系列-手把手教你快速了解.NET Framework

C#系列-手把手教你快速了解.NET Framework

.NET Framework .NET Framework是什么.NET Framework构成部分公共语言运行库（CLR）框架类库（FCL）核心语言（WinForms、ASP.NET 和 ADO.NET）其他模块（WCF、WPF、WF、Card Space、LINQ、Entity Fram…

阅读更多...

四、C++内存管理

四、C++内存管理

1 C/C内存分布在学习C的内存管理方式之前，我们先来看一道有关C/C内存分布的题目： 阅读下面的代码，回答相关问题： #include <iostream> using namespace std; int globalVar 1; static int staticGlobalVar 1; int main…

阅读更多...

EOCR电机保护器485通讯协议概念

EOCR电机保护器485通讯协议概念

Modbus是由Modicon（现为施耐德电气公司的一个品牌）在1979年发明的，是全球第一个真正用于工业现场的总线协议。为更好地普及和推动Modbus在基于以太网上的分布式应用，目前施耐德公司已将Modbus协议的所有权移交给IDA（In…

阅读更多...

性能测试分析案例-定位内核线程CPU利用率太高

性能测试分析案例-定位内核线程CPU利用率太高

环境准备预先安装 docker、perf、hping3、curl 等工具，如 apt install docker.io linux-tools-common hping3 操作和分析 Linux 在启动过程中，有三个特殊的进程，也就是 PID 号最小的三个进程。 0 号进程为 idle 进程，这也是系…

阅读更多...

2024年五款值得买的云服务器推荐，便宜又好用

2024年五款值得买的云服务器推荐，便宜又好用

作为多年站长使市面上大多数的云厂商的云服务器都使用过，很多特价云服务器都是新用户专享的，本文有老用户特价云服务器，阿腾云atengyun.com有多个网站、小程序等，国内头部云厂商阿里云、腾讯云、华为云、UCloud、京东云都有用过&a…

阅读更多...

WPF真入门教程27--项目案例--设备数据实时监测

WPF真入门教程27--项目案例--设备数据实时监测

1、上图看效果今天要做的一个案例是这样的效果，它能实时监测车间设备有关数据，并以表格和图形显示在界面上，这个比上个案例要复杂些，颜值也高些，通过这个来巩固wpf的技能，用到了命令绑定，样式…

阅读更多...

$探索PyTorch优化和剪枝技术相关的api函数$

探索PyTorch优化和剪枝技术相关的api函数

torch.nn子模块Utilities解析 clip_grad_norm_ torch.nn.utils.clip_grad_norm_ 是 PyTorch 深度学习框架中的一个函数，它主要用于控制神经网络训练过程中的梯度爆炸问题。这个函数通过裁剪梯度的范数来防止梯度过大，有助于稳定训练过程。用途防止…

阅读更多...

用三层交换机连接不同的网络—SVI（VLAN，trunk）

用三层交换机连接不同的网络—SVI（VLAN，trunk）

1.为什么要使用SVI技术： 如图，举个栗子：我们把网络A和网络B具体化一些，假设网络A为销售部，网络B为研发部。随着销售部的人员不断的增加，销售部网络的交换机端口已经被占完，那么销售部新来的员工…

阅读更多...

【qt】sdk写pro写法，cv，onnx，cudnn

【qt】sdk写pro写法，cv，onnx，cudnn

我的sdk在OpenCV003项目里： pro中添加 CONFIG(release, debug|release) {LIBS -L$$PWD/sdk/onnxruntime-x64-gpu/lib/ -lonnxruntimeLIBS -L$$PWD/sdk/onnxruntime-x64-gpu/lib/ -lonnxruntime_providers_cudaLIBS -L$$PWD/sdk/onnxruntime-x64-gpu/lib/ -lon…

阅读更多...

家政服务管理平台

家政服务管理平台

🍅点赞收藏关注 → 私信领取本源代码、数据库🍅 本人在Java毕业设计领域有多年的经验，陆续会更新更多优质的Java实战项目希望你能有所收获，少走一些弯路。🍅关注我不迷路🍅一、设计说明 1.1选题的背景现…

阅读更多...

最新文章