Kalman Filter with Explicit Measurement Error Modeling
Képzeljük el egy mozgó objektum követését egy nem tökéletesen pontos érzékelővel. A mozgásmodellünk nagyjából megmondja, hol kellene lennie az objektumnak a következő pillanatban (előrejelzés), de az érzékelő leolvasása is bizonytalan (mérési hiba). A Kalman-szűrő kvantifikálja mindkét bizonytalansági forrást, és intelligensen ötvözi a modell előrejelzését az érzékelő leolvasásával: ha az érzékelő nagyon zajos, a modellre támaszkodunk; ha a modell bizonytalan, jobban bízunk az adatokban. A mérési hiba kovarianciamátrixa, R, a kulcsfontosságú paraméter, amely kódolja, hogy mennyi zaj szennyezi az egyes megfigyeléseket, lehetővé téve a szűrő számára, hogy automatikusan leértékelje a megbízhatatlan leolvasásokat.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/hu/bayesian/kalman-filter-with-measurement-error
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Dinamikus Bayes-i következtetésBayes-statisztika↔ összehasonlítás
- Kalman-szűrőBayes-statisztika↔ összehasonlítás
- Kalman-szűrő hiányzó adatokkalBayes-statisztika↔ összehasonlítás
- A részecskeszűrő (szekvenciális Monte Carlo)Bayes-statisztika↔ összehasonlítás
- Szekvenciális Monte CarloBayes-statisztika↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →