改进卡尔曼滤波,卡尔曼滤波 应用

　　首先看了DR_CAN的视频，做了简单的笔记，按照思路写了样本代码。在这里，我主要使用卡尔曼滤波器进行数据融合。

　　视频地址：https://www.bilibili.com/video/bv 12d 4y 7 fu

　　数据集成数据融合

　　这里从一个例子开始，同一个对象被“两个名字”调用，两个结果的第一个名字结果是30g，第二个名字结构是32g。

　　因为两者都不准确，所以存在误差。第一个叫做2g的标准差。第二个标准差是4g。而且都符合正态分布，也叫保洁文员分布。

　　数学表达如下

　　第一个地址

　　第二个名字

　　接下来，我们来看两个输出的概率分布；第一个服从正态分布，标准差为2g；所以他在28g到32g之间的概率是68.4%。

　　二是服从标准差为4g的正态分布；所以他在28g到36g之间的概率是68.4%。和第一个相比，因为标准差大，看起来又矮又胖。

　　现在，你需要使用这两个结果，“估计真实值”。怎么估计？

　　感情介于这两个称谓结果之间，初始称谓偏差小，真实结果接近初始称谓结果。

　　最优值，采用卡尔曼算法。如果估计值设置为；否则，

　　其中k是dbdzfj；范围是0到1，即[0，1]。

　　目的求k从而最小化估计基准，也就是最小化估计方差。

　　假设：估计值，估计值的标准差，估计值的方差var(。

　　估计方差=

　　备注：红蓝部分相互独立，可单独取出；

　　为了找到估计值的最小方差，我们需要导出k并将其设置为0。要确定极值，请执行以下操作：

　　根据上面得到的估计值的方差，推导如下。

　　那就是：

　　完成后，获得：

　　所以，在这里找到k。k的值是估计值方差的最小。

　　然后代入数据，

　　第一个称谓解释：叫30g，标准差2g。

　　第二个称谓解释：叫32g，标准差4g。

　　首先，获得k值dbdzfj，

　　然后计算估计值，

　　最后，更新估计的方差，

　　那么，估计值的标准差是1.79。

　　Python的伪代码：

　　" "卡尔曼滤波器——数据融合" # dbdzfj=误差对应方差(除以数据1的误差和数据2的误差)！EFKalman_gain(E1，E2):RETURN 1/)e1e 2)#估计值=数据的估计系数1 *)数据的测量值2-数据的估计值1)DEF NOW _ estimated _ value)XEEK X2):RETURN X1K(x2-x1)更新估计误差=(1-dbdzfj)数据的估计误差1 dbdzfj*数据的估计值2

　　本文仅供参考和学习。谢谢你。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。