Bayesian methodsBayesian / computational
卡尔曼滤波器
卡尔曼滤波器是一种最优递归算法，用于从带噪声的测量数据中估计线性动力学系统的隐藏状态。在每个时间步，它在预测步骤（使用系统模型向前投影状态）和更新步骤（用新的观测值校正预测）之间交替进行，从而实时产生最小方差的状态估计及其不确定性。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
+40 more
来源
- 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 ↗
- Welch, G. & Bishop, G. (2006). An Introduction to the Kalman Filter. University of North Carolina at Chapel Hill, Technical Report TR 95-041. link ↗
如何引用本页
ScholarGate. (2026, June 3). Kalman Filter (Linear-Gaussian State-Space Filter). ScholarGate. https://scholargate.app/zh/bayesian/kalman-filter
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesian Regression贝叶斯↔ compare
- 动态贝叶斯网络贝叶斯↔ compare
- 扩展卡尔曼滤波器控制理论↔ compare
- 粒子滤波器（序贯蒙特卡洛）贝叶斯↔ compare
- 顺序蒙特卡洛贝叶斯↔ compare
被引用于
带有测量误差的贝叶斯推断数字孪生仿真动态贝叶斯分层模型动态贝叶斯推断动态贝叶斯模型平均动态贝叶斯网络动态 Metropolis-Hastings 算法动态粒子滤波器动态序贯蒙特卡洛法动态变分推断分层自助法模拟分层卡尔曼滤波器分层粒子滤波器带测量误差的卡尔曼滤波器带缺失数据的卡尔曼滤波器线性二次高斯控制马尔可夫开关多重分形模型粒子滤波器（序贯蒙特卡洛）带测量误差的粒子滤波器鲁棒卡尔曼滤波器 (Robust Kalman Filter)稳健粒子滤波器鲁棒序贯蒙特卡洛顺序蒙特卡洛空间自举模拟空间卡尔曼滤波器时间序列近似贝叶斯计算时间序列贝叶斯分层模型时间序列贝叶斯推断时间序列贝叶斯模型平均时间序列卡尔曼滤波时间序列 MCMC时间序列粒子滤波器时间序列序列蒙特卡洛方法时间序列变分推断时间变化参数自回归模型 (TVP-AR)时间变系数自回归条件异方差模型 (TVP-ARCH)时变参数自回归积分滑动平均模型 (TVP-ARIMA)时变参数自回归滑动平均模型 (TVP-ARMA)时变参数Engle-Granger协整时变参数 GARCH 模型 (TVP-GARCH)时变参数广义最小二乘法 (TVP-GLS)时变参数格兰杰因果关系时变参数移动平均模型时变参数普通最小二乘法 (TVP-OLS)时变参数面板数据分析时变参数SARIMA模型 (TVP-SARIMA)时变参数向量自回归模型 (TVP-VAR)时变参数向量误差修正模型 (TVP-VECM)