Kalman Filter ar kļūdu mērījumos
Kalman filtrs ar kļūdu mērījumos ir rekursīvs beijesiski stāvokļa telpas algoritms, kas no trokšņainiem novērojumiem novērtē dinamiskas sistēmas patieso slēpto stāvokli. Tas skaidri atdala procesa troksni (sistēmas dinamikas nenoteiktību) no mērījumu trokšņa (novērojumu nenoteiktības), izplatot abus kļūdu avotus divu soļu prognozēšanas-atjaunināšanas ciklā, lai iegūtu optimālus filtrētus stāvokļa novērtējumus un to saistīto nenoteiktību.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/lv/bayesian/kalman-filter-with-measurement-error
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Dinamiskā Bayesas inferencēšanaBajesa metodes↔ salīdzināt
- Kalman FilterBajesa metodes↔ salīdzināt
- Kalman filtrs ar trūkstošiem datiemBajesa metodes↔ salīdzināt
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →