Kalman-Filter mit Messfehlern
Der Kalman-Filter mit Messfehlern ist ein rekursiver bayesianischer Zustandsraum-Algorithmus, der den wahren verborgenen Zustand eines dynamischen Systems aus verrauschten Beobachtungen schätzt. Er trennt explizit Prozessrauschen (Unsicherheit der Systemdynamik) von Messrauschen (Unsicherheit der Beobachtung) und propagiert beide Fehlerquellen durch einen zweistufigen Vorhersage-Aktualisierungs-Zyklus, um optimale gefilterte Zustandsschätzungen und deren zugehörige Unsicherheit zu erzielen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35–45. DOI: 10.1115/1.3662552 ↗
- Durbin, J. & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. ISBN: 978-0199641178
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/de/bayesian/kalman-filter-with-measurement-error
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Dynamische Bayes'sche InferenzBayes-Statistik↔ vergleichen
- Kalman FilterBayes-Statistik↔ vergleichen
- Kalman-Filter bei fehlenden DatenBayes-Statistik↔ vergleichen
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ vergleichen
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →