- Apa saja tahapan yang berbeda dalam filter Kalman?
- Mengapa filter Kalman optimal?
- Apa perbedaan antara filter Kalman dan filter Kalman yang diperluas?
- Mengapa menggunakan Kalman lebih halus?
Apa saja tahapan yang berbeda dalam filter Kalman?
Filter Kalman dapat ditulis sebagai satu persamaan; Namun, ini paling sering dikonseptualisasikan sebagai dua fase berbeda: "prediksi" dan "pembaruan".
Mengapa filter Kalman optimal?
Filter Kalman secara statistik optimal dalam arti bahwa itu memberikan estimasi kovarians kesalahan minimum, berdasarkan semua data pengamatan yang tersedia pada langkah waktu saat ini di bawah sistem linier.
Apa perbedaan antara filter Kalman dan filter Kalman yang diperluas?
Filter Kalman (KF) adalah metode yang didasarkan pada penyaringan Bayesian rekursif di mana kebisingan dalam sistem Anda diasumsikan Gaussian. Filter Kalman yang diperluas (EKF) adalah perpanjangan dari filter Kalman klasik untuk sistem non-linear di mana non-linearitas diperkirakan menggunakan turunan orde pertama atau kedua.
Mengapa menggunakan Kalman lebih halus?
Alasan bagus untuk smoothing Kalman adalah: Kalman lebih halus memberikan imputasi yang sangat baik (i.e. nilai yang diperhitungkan) untuk nilai yang hilang dalam seri waktu Anda. Kalman lebih halus memberikan perkiraan yang sangat baik dari vektor negara bagian dalam periode historis.