Filtr Kalmana z błędem pomiaru
Filtr Kalmana z błędem pomiaru jest rekursywnym algorytmem przestrzeni stanów w sensie Bayesa, który estymuje prawdziwy ukryty stan systemu dynamicznego na podstawie zaszumionych obserwacji. Jawnie rozdziela szum procesu (niepewność dynamiki systemu) od szumu pomiaru (niepewność obserwacji), propagując oba źródła błędu poprzez dwuetapowy cykl predykcji-aktualizacji, aby uzyskać optymalne estymaty stanów przefiltrowanych i ich powiązaną niepewność.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/pl/bayesian/kalman-filter-with-measurement-error
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Dynamic Bayesian InferenceStatystyka bayesowska↔ porównaj
- Filtr KalmanaStatystyka bayesowska↔ porównaj
- Filtr Kalmana z brakującymi danymiStatystyka bayesowska↔ porównaj
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ porównaj
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →