我们在上一篇文章中通过一个简单的样例算是入门卡尔曼滤波了。本文将以此为基础讨论一些技术细节。

卡尔曼滤波(Kalman Filter)

http://blog.csdn.net/baimafujinji/article/details/50646814

在上一篇文章中。我们已经对HMM和卡尔曼滤波的关联性进行了初步的讨论。參考文献【3】中将二者之间的关系归结为下表。

上表是什么意思呢?我们事实上能够以下的式子来表示,当中,w 和 v 分别表示状态转移 和 測量 过程中的不确定性,也即是噪声,既然是噪声就能够假设它们服从一个零均值的高斯分布。这事实上跟我们在上一篇文章中所给出的形式是一致的。也就是说我们觉得过去的状态假设是 xt-1。那么当前状态xt应该是 xt-1的一个线性变换。而这个预计过程事实上是有误差的,用一个零均值的高斯噪声(概率分布)来表达。

相似地,当前的測量值yt应该是真实值 xt 的一个线性变换。而这个測量过程仍然是有误差的,也用一个零均值的高斯噪声(概率分布)来表达。

      (1)

上一节中我们还讲过,在 [t0, t1] 时间段内的測量为Y,对应的预计为,则当t = t1 时, 称为X(t)的预计(或者称为滤波)。当然如今我们也只须要将注意力放在滤波上。所以终于要求的应该是以下这个式子

依据条件概率的链式法则以及马尔科夫链的无记忆性,再去掉常值系数的情况下,就能够得到以下的结论(假设你对有关数学公式记得不是非常清楚能够參考http://blog.csdn.net/baimafujinji/article/details/50441927)

当中,P( xt | y1, … , yt-1)就是Prediction(预測),由于它表示的意义是已知从1到t-1时刻的观測值y1, … , yt-1的情况下求 t 时刻的状态值xt

还有一方面,P( xt | y1, … , yt)就是Update,由于它表示当我们已经获得yt时。再对xt 进行的一个更新(或修正)。

依据马尔科夫链的无记忆性,可知P( yt | xt, y1, … , yt-1) = P( yt | xt) 。

就预測部分而言。我们希望引入xt-1。所以能够採用以下的方法(这事实上就是我们在处理普通贝叶斯网络时所用过的方法)

到此为止。事实上你应该能够看出来卡尔曼滤波就形成了一个递归求解的过程。也就是说。我们欲求P( xt | y1, … , yt-1),就须要先求P( xt-1 | y1, … , yt-1),而欲求P( xt-1 | y1, … , yt-1),就要先求P( xt-2 | y1, … , yt-1) ……结合上一篇文章介绍的内容,事实上能够总结卡尔曼滤波的步骤例如以下

也就是说当t = 1时。我们依据观測值y1去预计真实状态x1,这个过程服从一个高斯分布。

然后。当t = 2时,我们依据上一个观測值y1去预測当前的真实状态x2,在获得该时刻的真实观測值y2后,我们又能够预计出一个新的真实状态x2。这时就要据此对由y1预測的结果进行修正(Update),如此往复。

接下来,我们引入一个服从零均值高斯分布的(噪声)变量 Δxt-1

然后试着将Δxt和Δyt以Δxt-1的形式来给出,并且处于方便的考虑。我们忽略掉公式(1)中的控制项 BC。于是有

依据独立性假设,还可知例如以下结论(这些都是兴许计算推导过程中所须要的准备):

以下我们要做的事情就是推导卡尔曼滤波的五个公式,在上一篇文章中,我们很多其它地是从感性的角度给出了这些公式。并没有给出具体的数学推导,接下来我们就要来完毕这项任务。

综上我们已经完整地给出了卡尔曼滤波的理论推导。

对于结论性的东西。你当然能够直接拿来使用。

在一些软件包中,卡尔曼滤波无非是一条命令或者一个函数就能搞定。

我们之所以还在这里给出它的具体推导,主要是鉴于这样的思想事实上在机器学习中也被广泛地用到,所以了解这些技术细节仍然十分有意义。

===================================================================================================

假设你是图像处理的同道中人,欢迎增加图像处理算法交流群(单击链接查看群号)

參考文献:

【1】Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. 3rd Edition.

【2】秦永元,张洪钺,汪叔华,卡尔曼滤波与组合导航原理,西北工业大学出版社

【3】徐亦达博士关于卡尔曼滤波的公开课,http://v.youku.com/v_show/id_XMTM2ODU1MzMzMg.html

【4】卡尔曼滤波的原理以及在MATLAB中的实现,http://blog.csdn.net/revolver/article/details/37830675

卡尔曼滤波(Kalman Filter) 的进一步讨论的更多相关文章

  1. 关于卡尔曼滤波(Kalman Filter)的很好讲解

    http://bilgin.esme.org/BitsAndBytes/KalmanFilterforDummies C#代码: double[] Data = new double[] { 0.39 ...

  2. Kalman Filter、Extended Kalman Filter以及Unscented Kalman Filter介绍

    模型定义 如上图所示,卡尔曼滤波(Kalman Filter)的基本模型和隐马尔可夫模型类似,不同的是隐马尔科夫模型考虑离散的状态空间,而卡尔曼滤波的状态空间以及观测空间都是连续的,并且都属于高斯分布 ...

  3. 卡尔曼滤波—Simple Kalman Filter for 2D tracking with OpenCV

    之前有关卡尔曼滤波的例子都比较简单,只能用于简单的理解卡尔曼滤波的基本步骤.现在让我们来看看卡尔曼滤波在实际中到底能做些什么吧.这里有一个使用卡尔曼滤波在窗口内跟踪鼠标移动的例子,原作者主页:http ...

  4. 卡尔曼滤波(Kalman Filter)在目标边框预测中的应用

    1.卡尔曼滤波的导论 卡尔曼滤波器(Kalman Filter),是由匈牙利数学家Rudolf Emil Kalman发明,并以其名字命名.卡尔曼出生于1930年匈牙利首都布达佩斯.1953,1954 ...

  5. 卡尔曼滤波器 Kalman Filter (转载)

    在学习卡尔曼滤波器之前,首先看看为什么叫“卡尔曼”.跟其他著名的理论(例如傅立叶变换,泰勒级数等等)一样,卡尔曼也是一个人的名字,而跟他们不同的是,他是个现代人! 卡 尔曼全名Rudolf Emil ...

  6. 无人驾驶技术之Kalman Filter原理介绍

    基本思想 以K-1时刻的最优估计Xk-1为准,预测K时刻的状态变量Xk/k-1,同时又对该状态进行观测,得到观测变量Zk,再在预测与观之间进行分析,或者说是以观测量对预测量进行修正,从而得到K时刻的最 ...

  7. GMM+Kalman Filter+Blob 目标跟踪

    转 http://www.cnblogs.com/YangQiaoblog/p/5462453.html ==========图片版================================== ...

  8. kalman filter卡尔曼滤波器- 数学推导和原理理解-----网上讲的比较好的kalman filter和整理、将预测值和观测值融和

    = 参考/转自: 1 ---https://blog.csdn.net/u010720661/article/details/63253509 2----http://www.bzarg.com/p/ ...

  9. [Math]理解卡尔曼滤波器 (Understanding Kalman Filter) zz

    1. 卡尔曼滤波器介绍 卡尔曼滤波器的介绍, 见 Wiki 这篇文章主要是翻译了 Understanding the Basis of the Kalman Filter Via a Simple a ...

随机推荐

  1. 快速搭建Hadoop及HBase分布式环境

    本文旨在快速搭建一套Hadoop及HBase的分布式环境,自己测试玩玩的话ok,如果真的要搭一套集群建议还是参考下ambari吧,目前正在摸索该项目中.下面先来看看怎么快速搭建一套分布式环境. 准备 ...

  2. MySQL索引----数据结构及算法原理

    摘要 本文以MySQL数据库为研究对象,讨论与数据库索引相关的一些话题.特别需要说明的是,MySQL支持诸多存储引擎,而各种存储引擎对索引的支持也各不相同,因此MySQL数据库支持多种索引类型,如BT ...

  3. Java&Xml教程(一)简介

    XML是广泛用于数据传输和存储的技术.Java语言提供个各种各样的API来解析XML,例如DOM.SAX.StAX.JAXB.也还有一些其他的API用于解析XML,例如JDOM.本教程的目的是探索使用 ...

  4. Android彻底组件化方案实践

    本文提出的组件化方案demo已经开源,参见文章Android彻底组件化方案开源. 文末有罗辑思维"得到app"的招聘广告,欢迎各路牛人加入!! 一.模块化.组件化与插件化 项目发展 ...

  5. SQL基本操作——row_number() over()

    row_number() 与over()是在一起使用的,作用就是对表进行排序并记数. 语法: ROW_NUMBER ( ) OVER ( [ PARTITION BY value_expression ...

  6. shell编程之grep命令的使用

    大家在学习正则表达式之前,首先要明确一点,并把它牢牢记在心里,那就是: 在linux中,通配符是由shell解释的,而正则表达式则是由命令解释的,不要把二者搞混了.切记!!! 通常有三种文本处理工具/ ...

  7. JAVA趣味逻辑算法

    /**已知4位同学中的一位数学考了100分,当小李询问这4位是谁考了100分时,4个人的回答如下: A说:不是我. B说:是C C说:是D. D说:他胡说. 已知三个人说的是真话,一个人说的是假话.现 ...

  8. 扩增子图表解读5火山图:差异OTU的数量及变化规律

    火山图 Volcano plot 在统计学上,火山图是一种类型的散点图,被用于在大数据中快速鉴定变化.由于它的形成像火山喷发的样子,所以被称为火山图.和上文讲的曼哈顿图类似.   火山图基本元素 火山 ...

  9. 一步一步教你用IntelliJ IDEA 搭建SSM框架(2)——配置mybatis-geneator

    我们要搭建整个SSM框架,所以要继续上篇文章没有完成的工作,下面配置mybatis-geneator,自动生成mybatis代码. 在上篇文章中的pom.xml的配置文件中已经加了mybatis-ge ...

  10. eclipse常用设置之项目分组查看

    1.打开‘NaviNavigator’ 视图,windows-->show views->NaviNavigator; 2.在NaviNavigator视图下选择select workin ...