【数学和算法】初识卡尔曼滤波器(三)
本文是观看B站视频教程所做的截图和笔记。
疑问:
- 1.观测矩阵
H
是单位矩阵吗?如果是的话,那么卡尔曼增益的两种写法都合理。那么他的作用是对XkX_kXk向量进行变换为ZkZ_kZk向量的各个维度对应吗?
答:观测矩阵H
可以是单位矩阵,但是也可以不是单位矩阵。他把状态量变换成和观测量对应的特征值。 - 2.卡尔曼增益KkK_kKk是矩阵还是实数?
答:卡尔曼增益KkK_kKk是矩阵。当测量噪声的协方差矩阵R
特别小时,卡尔曼增益KkK_kKk趋近于H的逆
H−1H^{-1}H−1。所以卡尔曼增益KkK_kKk和观测矩阵H
行和列维度一样。
无论是算出来的结果,还是测量出来的结果,都不具备噪声的影响。如果你可以完整建模噪声的话,就不存在卡尔曼滤波器了,也就不存在观测器的作用了,因为你可以得到这个结果。
因为存在噪声,所以这两个结果都是不准确的,此时,卡尔曼滤波器的作用就体现出来了。
且看卡尔曼滤波器如何通过2个不太准确的结果得出一个准确结果:
注意区分先验
和逆
的符号表示,对于Xk
和Pk
右上角跟一个-
的,就是先验,不跟-
就是后验.对于H
后面跟一个-
就表示逆。有的右上角符号是-T
,表示的是先验的转置。
文中的下标k
表示k
时刻。
我们一般会假设过程噪声
和测量噪声
都符合正态分布
。
下面这张截图摘自卡尔曼滤波五个公式推导,每个变量是什么都写的比较清楚。
从下面开始都是B站的截图:
去掉两个噪声,如下
上面的(1)
式,由于去掉了过程噪声
那一项,所以是不完整
的,头顶加上^
表示是估计值
,由于我们没对他们做任何处理,右上角加上-
表示先验
,合起来就叫先验估计
。
后验Xk^=先验Xk−^+G∗(测量值Xkmeasured−先验Xk−^)\displaystyle\color{blue}后验\hat{X_k} = 先验\hat{X_k^-} + G*(测量值X_k{measured} - 先验\hat{X_k^-})后验Xk^=先验Xk−^+G∗(测量值Xkmeasured−先验Xk−^)
GGG 是卡尔曼增益,而教科书中给出的卡尔曼增益是KkK_kKk,二者之间的关系有:
G=Kk∗H\displaystyle\color{blue}G = K_k * HG=Kk∗H。
接下来我们需要量化误差,ek=Xk−Xk^\displaystyle\color{blue}e_k = X_k - \hat{X_k}ek=Xk−Xk^,误差也满足正态分布。
注意:
- ek=Xk−Xk^\displaystyle\color{blue}e_k = X_k - \hat{X_k}ek=Xk−Xk^,其中Xk{X_k}Xk是第
k
时刻的实际值,Xk^\hat{X_k}Xk^是第k
时刻的后验估计值。 - 先验误差ek−=Xk−Xk−^\displaystyle\color{blue}e_k^- = X_k - \hat{X_k^-}ek−=Xk−Xk−^ ,其中XkX_kXk是第
k
时刻的实际值, Xk−^\hat{X_k^-}Xk−^是第k
时刻的先验估计值。
我们知道,方差越小,误差就越小,也就越接近期望值。
为了使得方差
最小,我们就是要使得协方差矩阵的迹
最小,如下:
对于eke_kek的协方差矩阵P
,把eke_kek代入下面P
中得到:
上面的P
就是PkP_kPk,含义见下面:由于上面的期望E
中式子是线性的,所以可以随他们分别求期望:
由于eke_kek和测量噪声v
都满足正态分布,所以他们的期望都为0,所以上面的有些式子可以直接划掉。
如果两个不同的变量A和B是独立同分布的,那么期望E(AB)=E(A)*E(B)
。
上面的式子化简后得到:
前面的所有式子都是在求P
, P
就是Pk
:
下一篇博客会讲到怎么求PkP_kPk的先验Pk−P_k^-Pk−,即上式的等号右边第一项。
由于前面的式子中的第二个和第三个有以下转置关系:
方阵有个定理是,矩阵A和矩阵A的逆A−1A^{-1}A−1,他们的的迹相等。所以上面第二三个式子的迹相等。
推导了这么多,别忘了我们开始的目标是,为了使得方差
最小,我们就是要使得协方差矩阵的迹
最小:
要求协方差的迹最小,就是迹对KkK_kKk求导==0,
该方法证明在矩阵的迹可以看到。
最后得到:
PkP_kPk是协方差矩阵,又因为协方差矩阵的转置等于他自己
,化简得到:
最终求得KkK_kKk:
该公式就是卡尔曼滤波器中最核心的公式。
(下一篇博客会讲到分子的Pk−P_k^-Pk−即PkP_kPk的先验是怎么得到的。)
得到了卡尔曼增益KkK_kKk,我们再回过头来分析:
当测量噪声的协方差矩阵R
特别大时,卡尔曼增益KkK_kKk趋近于0,此时估计值就等于先验估计值,我们更愿意相信计算出来的结果。
当测量噪声的协方差矩阵R
特别小时,卡尔曼增益KkK_kKk趋近于H逆
H−1H^{-1}H−1,此时估计值就等于 测量值∗H−1\displaystyle\color{blue}测量值*H^{-1}测量值∗H−1 ,我们更愿意相信测量出来的结果。
------------------------------------------------------------------
w
是过程噪声
(即过程噪声是n维向量
,它的每一维度都表示噪声的一个特征),P(w)
是
过程噪声的概率分布
,0
是过程噪声的期望
,Q
是过程噪声的协方差矩阵
。
我们一般会假设过程噪声
和测量噪声
都符合正态分布
。
下面是以过程噪声
是2维向量
为例来推导公式:
由于方差和期望有以下关系:
Var(x)=E(x2)−E2(x)\displaystyle\color{blue}Var(x) = E(x^2) - E^2(x)Var(x)=E(x2)−E2(x)
对于正态分布,他的期望E(x)=0\displaystyle\color{blue}E(x) = 0E(x)=0所以E2(x)=0\displaystyle\color{blue}E^2(x) = 0E2(x)=0
所以方差就等于 Var(x)=E(x2)\displaystyle\color{blue}Var(x) = E(x^2)Var(x)=E(x2)
所以可以得到上面的协方差矩阵。
上面的协方差矩阵的书写方式会造成误解,因为X和Y协方差 并不等于 X的标准差乘以Y的标准差,而且可正可负,在这里是表示二者之间的协方差,并不是二者标准差相乘。这篇博客的最后介绍了相关系数:
【数学和算法】初识卡尔曼滤波器(三)相关推荐
- 【数学和算法】初识卡尔曼滤波器(四)
本文是观看B站视频教程[卡尔曼滤波器]4_误差协方差矩阵数学推导_卡尔曼滤波器的五个公式 所做的截图和笔记. 先列出前面几篇博客得到的公式: 下面是利用上图公式推导Pk−\displaystyle\c ...
- 【数学和算法】初识卡尔曼滤波器(六)
本文是观看B站视频[卡尔曼滤波器]6_扩展卡尔曼滤波器_Extended Kalman Filter所做的截图和笔记. 前面讲的都是线性系统,他们可以用卡尔曼滤波器进行预测. 对于非线性系统,可以将非 ...
- 【数学和算法】初识卡尔曼滤波器(二)
1.数据融合 用两个工具测量某物体重量的结果分别为30g,32g,这两种工具的测量标准差分别为2g,4g,请估计该物体的真实值. 最终得到该物体的估计值为30.4g,标准差为1.79. 以上就是数据融 ...
- 【数学和算法】初识卡尔曼滤波器(一)
关于卡尔曼滤波,可以去观看B站的一个UP主的系列视频: [卡尔曼滤波器]1_递归算法_Recursive Processing 我下面的贴图笔记就是从该视频中做的记录. 第1页: 上面的求第k次估计值 ...
- 匈牙利算法和卡尔曼滤波器
1.匈牙利算法 **分配问题(Assignment Problem):**假设有N个人和N个任务,每个任务可以任意分配给不同的人,已知每个人完成每个任务要花费的代价不尽相同,那么如何分配可以使得总的代 ...
- 【数学和算法】初识卡尔曼滤波器(五)
- 数学速算法_适合小学三、四年级的心算法,再“笨”的学生,也不用列竖式
更多心算速算法,在我的公众号,小学数学心算速算,可以看到哦! 不少家长在后台咨询,有没有适合小学三.四年级的心算法? 今天,就分享一种适合三.四年级学生的心算法.这种心算法,适合计算加减法时用,而且, ...
- 【数学与算法】【分段三次Hermite插值】和【分段三次样条插值】
光滑曲线在数学上的定义是什么?? 原文链接:光滑曲线在数学上的定义是什么? 回答1: 定义:切线随切点的移动而连续转动. 若函数f(x)f(x)f(x)在区间(a,b)(a,b)(a,b)内具有一阶连 ...
- 卡尔曼滤波器(THE KALMAN FILTER)的数学原理
0.内容提要 这篇博客想试图证明卡尔曼滤波器(KALMAN FILTER),即就是说明KF(KALMAN FILTER)和EKF(EXTENDED KALMAN FILTER)算法中的步奏是怎么来的, ...
最新文章
- 运算符优先级记忆口诀及列表(转)
- 《网络攻防实践》第七周作业
- VTK修炼之道40:频域处理_快速傅里叶变换及其反变换1
- username is marked non-null but is null
- DataTable不能通过已删除的行访问该行的信息解决方法
- 中两个查询结果相减_位移差?应力差?利用fish语言实现结果文件间运算。
- kubeadm源码分析(kubernetes离线安装包,三步安装)
- Swift基础语法: 21 - Swift的可变形形参, 常量形参, 变量形参, In-Out形参
- python 安装pandas_Python安装的正确姿势(视频教程)(pip命令安装Pandas、Numpy、jupyter)...
- Atitit mysql 存储kv 以及php js接口目录kv_mysql.js 1Set.php 1Get.php 2CREATE TABLE `cfg` ( `k`
- C#昵图素材下载器源码可下我图、包图、千图等(带数据库)
- 计算机网络学习 - UDS协议
- 图书速读 | 一分钟读完《如何成为学习高手》
- LAMP架构源码部署(入门级别超详细步骤)
- python自动生成字幕脚本_自动生成字幕软件?
- 锐捷服务器虚拟化技术_锐捷核心交换机VSU虚拟化配置
- 【STM32F429】第7章 ThreadX GUIX移植到STM32F429(MDK AC5)
- 语法练习——动名词专项训练
- latex footnote numbering
- 继续安利两个漫画App