Filtre de Kalman avec erreur de mesure
Le filtre de Kalman avec erreur de mesure est un algorithme bayésien récursif d'espace d'états qui estime l'état caché réel d'un système dynamique à partir d'observations bruitées. Il sépare explicitement le bruit de processus (incertitude de la dynamique du système) du bruit de mesure (incertitude d'observation), propageant les deux sources d'erreur à travers un cycle de prédiction-mise à jour en deux étapes pour produire des estimations d'état filtrées optimales et leur incertitude associée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/fr/bayesian/kalman-filter-with-measurement-error
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Inférence bayésienne dynamiqueBayésien↔ comparer
- Filtre de KalmanBayésien↔ comparer
- Filtre de Kalman avec données manquantesBayésien↔ comparer
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ comparer
- Monte Carlo séquentielBayésien↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →