精选优质文档-倾情为你奉上课程:现代信号处理专业:信号与信息处理贝叶斯与卡尔曼滤波的区别贝叶斯原理的实质是希望用所有已知信息来构造系统状态变量的后验概率密度,即用系统模型预测状态的先验概率密度,再用最新的观测数据进行修正,得到后验概率密度。通过观测数据来计算状态变量取不同值的置信度,由此获得状态的最优估计。卡尔曼滤波是贝叶斯滤波的一种特例,是在线性滤波的前提下,以最小均方误差为最佳准则的。采用最小均方误差准则作为最佳滤波准则的原因在于这种准则下的理论分析比较简单,因而可以得到解析结果。贝叶斯估计和最大似然估计都要求对观测值作概率描述,线性最小均方误差估计却放松了要求,不再涉及所用的概率假设,而只保留对前两阶矩的要求。扩展卡尔曼滤波和无迹卡尔曼滤波都是递推滤波算法,它们的基本思想都是通过采用参数化的解析形式对系统的非线性进行近似,而且都是基于高斯假设。EKF其基本思想是围绕状态估值对非线性模型进行一阶Taylor展开,然后应用线性系统Kalman滤波公式。主要缺陷有两点