270,131
次編輯
變更
创建页面，内容为“ '''卡尔曼滤波'''是中国的一个学术名词。 汉字是世界上比较古老的四大文字之一<ref>[https://www.sohu.com/a/130584341_507440…”
'''卡尔曼滤波'''是中国的一个学术名词。
汉字是[[世界]]上比较古老的四大文字之一<ref>[https://www.sohu.com/a/130584341_507440 世界上最古老的四大文字系统~]，搜狐，2017-03-27</ref>，也是我们国家优秀文明历史的象征，一直沿用至今，一个简单的文字也道出了我国人们的聪明才智<ref>[https://www.sohu.com/a/73739477_211277 中国汉字文化，道出人生哲理]，搜狐，2016-05-06</ref>，哺育了世世代代的中华儿女，成就了中华[[民族]]一代又一代的辉煌。
==名词解释==
最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波[[理论]]。从理论上说，维纳滤波的最大缺点是必须用到无限过去的[[数据]]，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。
卡尔曼滤波的实质是由量测值重构系统的状态向量。它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。
卡尔曼滤波的形式
1、模型要求
卡尔曼滤波要求模型已知。即模型的结构与参数已知，且随机向量的统计特征已知。
2、卡尔曼滤波分类
记Yj的向量函数：
\hat{X}(k/j)=E[X(k)/Y^j]
为状态X（k)的估计量，分三种情况：
当k>j时，称为预测；
当k=j时，称为滤波；
当k>j时，称为平滑。
卡尔曼滤波特点
卡尔曼滤波是解决状态空间模型估计与预测的有力工具之一，它不需存储历史数据，且可以同过计算机程序到达对状态空间模型的优化拟合。
==参考文献==
[[Category:800 語言學總論]]