1、卡尔曼滤波,The Kalman Filtering,article2005.11,Contents,背景简介一个实际问题算法描述实验应用,Rudolf Emil Kalman,匈牙利数学家BS&MS at MITPhD at Columbia1960年发表的论文A New Approach to Linear Filtering and Prediction Problems（线性滤波与预测问题的新方法）,Signal Processing,数字滤波：通过一种算法排除可能的随机干扰，提高检测精度的一种手段线性系统 f(A+B) = f(A) + f(B)数学方法处理噪声信号输入-尽可能少噪声
2、输出,Use for,机器人导航、控制传感器数据融合雷达系统以及导弹追踪计算机图像处理头脸识别图像分割图像边缘检测,Temperature Problem - Ideal World,假设当前室内温度仅跟上一时刻有关温度计观测（摄氏华氏）根据连续的观测值来推算实际温度变化,Temperature Problem - Real World,假设当前室内温度仅跟上一时刻有关但变化中可能有噪声温度计观测（摄氏华氏）读数会有误差两种噪声相互无关根据连续的观测值来推算实际温度变化,Kalman Filtering First Sight,KF是根据上一状态的估计值和当前状态的观测值推出当前状态的估计值的
3、滤波方法S(t) = f ( S(t-1) , O(t) )它是用状态方程和递推方法进行估计的，因而卡尔曼滤波对信号的平稳性和时不变性不做要求维纳滤波：使用全部观测值保证平稳性,Kalman Filtering - Advantages,卡尔曼滤波器是一个“optimal recursive data processing algorithm（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,Formula of KF,KF Model - Definition,定义 为 先验状态估计， 为 后验状态估计值先验误差和后验误差定义如下：协方差：,KF Mode
4、l - Algorithm,递推公式如果没有误差，可以认为 则包含全部误差的信息，称为新息(innovation)K为修正矩阵，或称混合因子 (Blend factor),Blend factor Matrix,修正矩阵的形式有多种，其中一种为：R-0 = K = 1/H,Discrete KF,Flow Chart,任意给定初值均可，但P!=0,Experiment,目标：用KF估计一个常数（电压）约束：数据本身有误差（电压不稳）观测有误差（电压表不准）,Analysis Matrix Assignment,A=1，B=0，H=1简化为：w,v为高斯白噪声,Analysis Time & Measure Update,时间更新,测量更新,Result - Estimation,Result - Error,Application,视频跟踪,
