1、 卡尔曼滤波器的应用 卡尔曼滤波原理及公式陈列 示范举例，加强对卡尔曼滤波的直觉理解 程序实现及结果分析 卡尔曼的性质在应用中的注意事项 卡尔曼的优缺点分析 结束语卡尔曼滤波器是一个最优化自回归数据处理算法。它 是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法。 其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 状态估计的系统状态空间表达式K(k) = P(k)HT H P(k) HT + R -1P(k+1) =P(k)-K(k) HP(k)=I-K(k) HP(k)卡尔曼核心
2、迭代公式 应用我们的研究对象是一个房间的温度。首先根据直觉，温度值是恒定的，下一分钟与这一分钟的温度是相等的，均为 x度，实际温度可能有上下几度的偏差，我们把这些偏差看成是高斯白噪声；另外，我们在室内放一个温度计，它与实际温度也有偏差，我们把这个偏差也看成是高斯白噪声；目前状态估计误差协方差 P(K-1)为 3直觉室温 x1是 23度，偏差是 5温度计显示 x2为 25度，偏差是 4本次状态估计误差协方差 P(K)是 25（公式一）卡尔曼增益值 K为 25/25+16新的状态估计 x为 23+k*（ 25-H*23）下一次状态估计误差协方差 P(K+1)=(1+K)*P(K)由此进入下次一回归优化举例说明应用中应注意的地方：运行程序 kalman.m给出测量值为 25+1*randn(1,n)初值选为 23初值为 2 卡尔曼滤波器就是要从测量序列得到状态矢量的估计。一定的信号模型与一定的卡尔曼滤波器对应。 要求给出正确的初始值。在给定正确的初始值条件下，得出的每一步滤波估计才是无偏和最小方差的，否则就不是。幸好，卡尔曼滤波器有一个优越的性质，在迭代时间充分长之后，不正确初值的影响会逐渐消失，滤波器将收敛到最佳状态。
