- Quelles sont les différentes étapes du filtre Kalman?
- Pourquoi le filtre Kalman est optimal?
- Quelle est la différence entre un filtre Kalman et un filtre Kalman étendu?
- Pourquoi utiliser Kalman plus lisse?
Quelles sont les différentes étapes du filtre Kalman?
Le filtre Kalman peut être écrit comme une seule équation; Cependant, il est le plus souvent conceptualisé comme deux phases distinctes: "prédire" et "mise à jour".
Pourquoi le filtre Kalman est optimal?
Le filtre Kalman est statistiquement optimal dans un sens qu'il donne l'estimation de covariance d'erreur minimale, basée sur toutes les données d'observation disponibles au temps actuel sous le système linéaire.
Quelle est la différence entre un filtre Kalman et un filtre Kalman étendu?
Le filtre Kalman (KF) est une méthode basée sur le filtrage bayésien récursif où le bruit de votre système est supposé gaussien. Le filtre Kalman étendu (EKF) est une extension du filtre Kalman classique pour les systèmes non linéaires où la non-linéarité est approximée en utilisant le dérivé du premier ou du deuxième ordre.
Pourquoi utiliser Kalman plus lisse?
Les bonnes raisons du lissage de Kalman sont: le Kalman plus fluide fournit de très bonnes imputations (je.e. Valeurs imputées) pour les valeurs manquantes dans votre série chronologique. Le Kalman plus fluide fournit de très bonnes estimations du vecteur d'État pendant la période historique.