良多人将卡尔曼滤波用在股票啊,流量啊的上面,其实不是很科学,卡尔曼滤波运用的是‘惯性思维’,在通俗的看测上加进了物体的运动有惯性,加速度很难突变的前提增加准确度。而客流量那种工具并没有惯性,除非你有相关模子,不然不是很适用卡尔曼滤波。PS:假设你做的是关于一个目标有多个看测数据,那么也是能够用卡尔曼滤波的,不外不需要利用形态转移矩阵了。
关于一般的非灵活目标,间接利用离散的常速CV模子做为形态转移矩阵,噪声在速度引进。看测矩阵要按现实情状,假设是做仿实,能够间接利用单元矩阵
卡尔曼滤波(Kalman filtering)一种操纵线性系统形态方程,通过系统输进输出看测数据,对系统形态停止更优估量的算法。
因为看测数据中包罗系统中的噪声和骚乱的影响,所以更优估量也可看做是滤波过程。
斯坦利·施密特(Stanley Schmidt)初次实现了卡尔曼滤波器。卡尔曼在NASA埃姆斯研究中心拜候时,发现他的办法关于处理阿波罗方案的轨道揣测很有用,后来阿波罗飞船的导航电脑利用了那种滤波器。
关于那种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)颁发。
数据滤波是往除噪声复原实在数据的一种数据处置手艺, Kalman滤波在丈量方差已知的情状下可以从一系列存在丈量噪声的数据中,估量动态系统的形态。
因为, 它便于计算机编程实现, 并可以对现场摘集的数据停止实时的更新和处置, Kalman滤波是目前利用最为普遍的滤波办法, 在通信, 导航, 造导与掌握等多范畴得到了较好的利用。
形态估量是卡尔曼滤波的重要构成部门。
一般来说,根据看测数据对随机量停止定量揣度就是估量问题,特殊是对动态行为的形态估量,它能实现实时运行形态的估量和揣测功用。好比对飞翔器形态估量。形态估量关于领会和掌握一个系统具有重要意义,所利用的办法属于统计学中的估量理论。最常用的是最小二乘估量,线性最小方差估量、最小方差估量、递推最小二乘估量等。
其他如风险原则的贝叶斯估量、更大似然估量、随机迫近等办法也都有利用。
受噪声骚乱的形态量是个随机量,不成能测得切确值,但可对它停止一系列看测,并根据一组看测值,按某种统计看点对它停止估量。使估量值尽可能准确地接近实在值,那就是更优估量。
实在值与估量值之差称为估量误差。若估量值的数学期看与实在值相等,那种估量称为无偏估量。卡尔曼提出的递推更优估量理论,摘用形态空间描述法,在算法摘用递推形式,卡尔曼滤波能处置多维和非平稳的随机过程。