tiankongKalman滤波和 MATLAB实现卡尔曼滤波器(KalmanFilter)是一个最优化自回归数据处理算法(optimalrecursivedataprocessingalgorithm)。对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。他的广泛应用已经超过 30年,包括机器人导航,控制,传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理,例如头脸识别,图像分割,图像边缘检测等等简单来说,卡尔曼滤波器是一个“optimalrecursivedataprocessingalgorithm(最优化自回归数据处理算法)”。对于解决很大部分的问题,他是最优,效率最高甚至是最有用的。他的广泛应用已经超过 30年,包括机器人导航,控制,传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理,例如头脸识别,图像分割,图像边缘检测等等。为了可以更加容易的理解卡尔曼滤波器,这里应用形象的描述方法讲解,不像参考书那样罗列一大堆的数学公式和数学符号。但是,他的 5条公式是其核心内容。结合现代的计算机,其实卡尔曼的程序相当的简单,只要你理解了他的那 5条公式。假设我们要研究的对象是一个房间的温度。根据你的经验判断,这个房间的温度是恒定的,也就是下一分钟的温度等于现在这一分钟的温度。假设你对你的经验不是100%的相信,可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声,也就是这些偏差跟前后时间是没有关系的而且符合高斯分配。另外,我们在房间里放一个温度计,但是这个温度计也是不准确的,测量值会比实际值有偏差。我们也把这些偏差看成是高斯白噪声。好了,现在对于某一分钟我们有两个有关该房间的温度值:你根据经验的预测值(系统的预测值)和温度计的值(测量值)。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。假如我们要估算 k 时刻的实际温度值。首先你要根据 k-1时刻的温度值,来预测 k 时刻的温度。因为你相信温度是恒定的,所以你会得到 k 时刻的温度预测值是跟 k-1时刻一样的,假定是 23度,同时该值的高斯噪声的偏差是 5度(5是这样得到的:如果 k-1时刻估算出的最优温度值的偏差是3,你对自己预测的不确定度是4度,他们平方相加再开方,就是 5)。然后,你从温度计那里得到了k 时刻的温度值,假设是25度,同时该值的偏差是4度。由于我们用于估算 k 时刻的实际温度有两个温度值,分别是 23度和 25度。究竟实际温度是多少呢?相信自己还...