1
実際のカルマンフィルター
カルマンフィルターの説明を読みましたが、実際にどのように組み合わされるかについては明確ではありません。線形状態遷移が必要であり、同じ理由で異常検出や状態遷移の特定に役立たないため(線形状態遷移が必要)、主に機械システムまたは電気システムをターゲットにしているようです。実際には、カルマンフィルターを使用するために事前に既知であると予想されるコンポーネントをどのように見つけるのが一般的ですか。コンポーネントをリストしましたが、事前に知っておくべきことの理解が間違っている場合は修正してください。 これらを「事前に」知る必要はないと思います。 プロセスノイズww\mathbf w 観測ノイズvv\mathbf v 実際の状態(これは、カルマンフィルターが推定しようとするものです)xx\mathbf x カルマンフィルターを使用するには、これらを「事前に」知る必要があると思います。 に適用する線形状態遷移モデル(これを事前に知る必要があるため、状態は既知の法則に準拠する必要があります。つまり、カルマンフィルターは、ある状態から別の状態への遷移がよく理解され、わずかなノイズまで決定論的-異常を発見したり、ランダムな状態変化を見つけるツールではありません)xx\mathbf x 制御ベクトルuu\mathbf u 制御ベクトル適用される入力モデルを制御します(これを事前に知る必要があるため、カルマンフィルターを使用するには、制御値がモデルにどのように影響するかを最大である程度のガウスノイズまで事前に知る必要があります。効果は線形である必要があります)uu\mathbf u プロセスノイズの共分散(ウィキペディアの記事では時間に依存しているように見えます。つまり、時間kに依存します)-事前に、また時間をかけてこれを知る必要があるように見えますが、実際には一定であると見なされます?QQ\mathbf Qkkk (線形)観測モデルHH\mathbf H 共分散(ウィキペディアの記事でも時間に依存しているようです)-Qと同様の問題RR\mathbf RQQ\mathbf Q PSそして、はい、これらの多くは時間に依存していることを知っています。すべての添え字が散らかっただけです。必要に応じて、各変数名の右下の小文字を自由に想像してください。kkk