Kalmanfilter met meetfout
Het Kalmanfilter met meetfout is een recursief Bayesiaans toestandsruimte-algoritme dat de ware verborgen toestand van een dynamisch systeem schat op basis van ruisige waarnemingen. Het scheidt expliciet procesruis (onzekerheid in de systeemdynamiek) van meetruis (onzekerheid in de waarneming), en propageert beide foutbronnen via een tweestaps voorspel-updatecyclus om optimale gefilterde toestandschattingen en hun bijbehorende onzekerheid te verkrijgen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/nl/bayesian/kalman-filter-with-measurement-error
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Dynamische Bayesiaanse InferentieBayesiaanse statistiek↔ vergelijken
- KalmanfilterBayesiaanse statistiek↔ vergelijken
- Kalmanfilter met ontbrekende dataBayesiaanse statistiek↔ vergelijken
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ vergelijken
- Sequentiële Monte CarloBayesiaanse statistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →