卡尔曼滤波与惯性组合导航

最新推荐文章于 2024-11-22 11:06:12 发布

原创

最新推荐文章于 2024-11-22 11:06:12 发布 · 1.5k 阅读

·

2

·

标签

#概率论 #算法

本文介绍了几种常用的最优估计方法，包括最小二乘估计、加权最小二乘估计、递推最小二乘估计、马尔柯夫估计、最小方差估计、极大验后估计、贝叶斯估计、极大似然估计和线性最小方差估计，并详细讨论了卡尔曼滤波算法及其在状态估计中的应用。

目录

几种最优估计

最小二乘估计

加权最小二乘估计

马尔柯夫估计

递推最小二乘估计

递推最小二乘估计更新公式

最小方差估计

极大验后估计

几种最优估计

估计

根据测量出的状态量X的测量值 $Z=HX+V$ 得到对X的估计值 $\widehat{X}$

最小二乘估计

估计指标

$J(\widehat{X})=(Z-H\widehat{X})^T(Z-H\widehat{X})=min$

估计结果

由对估计指标求导得零点，知

$\widehat{X}=(H^TH)^{-1}H^TZ$

性质

①最小二乘估计是无偏估计，即有 $E(\widehat{X})=X$

②最小二乘估计的均方误差阵 $E(\widetilde{X}\widetilde{X}^T)=(H^TH)^{-1}H^TRH(H^TH)^{-1}$ ,其中估计误差 $\widetilde{X}=X-\widehat{X}$ ，测量误差的方差 $R=E(VV^T)$

加权最小二乘估计

最小二乘估计不分差别地使用多个量测值使其符合估计指标最后得到估计值，这样常常让估计的准确性被量测性能较差的量测值影响，使得估计效果比只使用量测性能好的量测值进行估计来得低。

加权最小二乘估计使精度高的量测权重大些，精度低的量测权重小些，得到的估计比只使用精度高的量测得到的估计均方误差更小，效果更好。

估计指标

$J(\widehat{X})=(Z-H\widehat{X})^TW(Z-H\widehat{X})=min$ ,W为加权矩阵

估计结果

$\widehat{X}=(H^TWH)^{-1}H^TWZ$

$E(\widetilde{X}\widetilde{X}^T)=(H^TWH)^{-1}H^TWRWH(H^TWH)^{-1}$ ，

马尔柯夫估计

令

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。