关于《均方根嵌入式容积卡尔曼滤波》的勘误声明

最新推荐文章于 2025-07-10 15:55:27 发布
最新推荐文章于 2025-07-10 15:55:27 发布
阅读量2.1k 收藏 2
点赞数 3
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/irving8/article/details/16812809
本文针对2013年发表的《均方根嵌入式容积卡尔曼滤波》一文中公式（25）、（29）和（32）的错误进行了更正说明，指出公式中的权重值应取平方根，并对由此产生的误解表达了歉意。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

2013年第9期发表的论文《均方根嵌入式容积卡尔曼滤波》（张鑫春等, “均方根嵌入式容积卡尔曼滤波," 控制理论与应用, 2013, 30(9): 1116-1121）中，公式（25）、（29）和（32）书写有误，以上公式中的权值应当要开根号，特此声明！希望不要误导大家以后的研究！

在写文章时漏写了这些根号，校稿时未能及时发现该问题，导致文章刊出后误导了部分同学，在此深表歉意！

irvingzhang
关注
容积卡尔曼滤波(CKF)和嵌入式容积卡尔曼滤波(ECKF)
03-07
一个BOT的四维模型，内有容积卡尔曼滤波算法(CKF)和本人所提的嵌入式容积卡尔曼滤波(ECKF)算法的比较
容积卡尔曼滤波
12-18
容积卡尔曼滤波(Cubature Kalman filtering)的Matlab例子，可以正常运行，还有用于多维的例子，以及均方根容积卡尔曼滤波的程序将在以后上传。。。
容积卡尔曼滤波（CKF）实战项目
weixin_42400643的博客
05-23 764
容积卡尔曼滤波（CKF）是一种用于处理非线性动态系统的状态估计技术。它是基于概率密度函数的传播，并利用数值积分的容积规则来近似高维积分。在控制系统中，状态估计问题通常是指在已知系统的动态模型和观测模型的情况下，从有限的、含有噪声的观测数据中推断系统的内部状态。更具体地说，状态估计通常涉及两个主要步骤：预测（Predict）和更新（Update）。预测步骤是基于系统动态模型对下一时刻的系统状态进行预测；而更新步骤则是在接收到新的观测数据后，对预测的状态进行校正。
ADC采集噪声问题及均方根值滤波与Kalman滤波比较
热门推荐
qq_24025329的博客
10-26 1万+
有一阵子笔者在做一个PT100热电阻的调理电路的时候采用了，使用恒流源的方式测热电阻的阻值。为了采集方便，将0.3mA的电流接入PT100直接把ADC输入端接在了PT100的两端。之后再输出温度的时候数据非常乱。查阅资料受到启发，采用求该信号的有效值（均方根值）方法进行滤波。 ADC采样、恒流源 ADC使用的是STM32F10x系列的内部12位ADC。恒流源电流值为0.3...
【集合（ensemble）数据同化】集合卡尔曼滤波（EnKF）、集合均方根滤波（EnSRF）、集合变换卡尔曼滤波（ETKF）和集合调整卡尔曼滤波（EAKF）的关系
CaoLG_ocean的博客
04-16 6069
集合数据同化方法利用状态估计方法以及预测和分析误差协方差矩阵的低秩形式来同化观测。这类方法的一个关键要素是采用适当的统计手段将预测集合转换为分析集合。这种转换可以通过将观测视为随机变量来“随机性”实现；也可以要求更新后的分析扰动满足卡尔曼滤波分析误差协方差的方程来“确定性”实现。“随机性”更新分析集合的EnKF方法和“确定性”更新分析集合的EnSRF方法都可被视作卡尔曼均方根滤波（Kalman SRF）的范畴。
容积卡尔曼滤波和均方根卡尔曼滤波算法在目标跟踪时的性能比较matlab代码.rar
06-11
1.版本：matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程...
基于分布式驱动电动汽车的路面附着系数估计研究：无迹卡尔曼与容积卡尔曼滤波算法的比较与应用
最新发布
08-01
内容概要：本文探讨了基于分布式驱动电动汽车的路面附着系数估计方法，重点比较了无迹卡尔曼滤波（UKF）和容积卡尔曼滤波（CKF）两种算法的性能。文中详细介绍了这两种滤波算法的工作原理及其在不同路况（如高速、...
平方根容积卡尔曼滤波（SRCKF）+CI信息融合(无反馈)
03-31
平方根容积卡尔曼滤波（SRCKF）是一种在多传感器信息融合领域广泛应用的高级滤波算法。它结合了卡尔曼滤波的数学严密性和平方根技术的稳定性优势，适用于处理具有大维数和非线性特性的系统。SRCKF在分布式滤波和信息...
kalman滤波在温度测量中的应用_卡尔曼滤波_温度测量；卡尔曼滤波_
10-04
通过利用先验知识（即对系统状态和噪声的统计特性）来更新状态估计，卡尔曼滤波能够提供一个最佳的预测结果，即在所有可能的估计中，误差的均方根最小。 首先，卡尔曼滤波的核心包括两个主要步骤：预测（Predict）...
容积卡尔曼滤波器
10-07
容积卡尔曼滤波器
CKF.m容积卡尔曼滤波在室内定位技术中的应用
09-13
内含一个容积卡尔曼的代码，可更改状态方程，观测方程，和算法的环境
容积卡尔曼滤波CKF.zip_CKF_artduu_卡尔曼_卡曼尔滤波_容积卡尔曼
07-15
主要包含容积卡尔曼滤波，为初学者提供学习帮助。
平方根容积卡尔曼滤波 CKF 及UKF和EKF
12-29
包含平方根容积卡尔曼滤波（CKF），无迹卡尔曼滤波（UKF），扩展卡尔曼滤波（EKF）的matlab仿真程序。
容积卡尔曼滤波——2维目标跟踪
04-13
容积卡尔曼滤波CKF实现二维目标跟踪 本人长期在优快云，有技术问题可以联系博主，必回 算法：容积卡尔曼滤波CKF，可以参见《目标跟踪前沿理论与应用》 仿真场景：CV模型,二维目标， 传感器类型：主动雷达 MATLAB仿真仿真实现; 蒙特卡洛仿真实验， 仿真结果：二维跟踪轨迹，各维度跟踪轨迹，估计均方误差RMSE，位置RMSE,速度RMSE（结果图压缩文件都有）。 仿真参数设置：见下面链接的里面又给 仿真结果可以先看下面链接博客，代码肯定能运行且有结果，可开发性强， 如果有问题可联系WX:ZB823618313 对应的仿真模型及参数设置见容积卡尔曼滤波 对应的理论分析和参数设置，见博文《容积卡尔曼滤波CKF在目标跟踪中的应用—仿真部分》https://blog.youkuaiyun.com/weixin_44044161/article/details/115741172
均方根信息滤波（SRIF）测试（三）
hpulizhen的博客
01-03 2425
均方根信息滤波（SRIF）测试（三）  数据处理中对时变参数的估计比较常见，而时变参数必然涉及到参数之间的状态转移以及其过程噪声。因此有必要在均方根信息滤波中加入过程噪声的处理以及状态转移矩阵。仍然以抛物线为例，对其进行了模拟及验证。直接上代码。相关函数代码可见http://blog.youkuaiyun.com/hpulizhen/article/details/50420636 /*
CKF(容积卡尔曼滤波）
qq_37220516的博客
07-10 413
容积卡尔曼滤波（CKF）是由加拿大学者Arasaratnam和Haykin在2009年提出的。该算法的核心思想是针对非线性高斯系统，通过三阶球面径向容积准则来近似状态的后验均值和协方差，以保证在理论上以三阶。EKF的缺陷：需要计算雅可比矩阵（线性化误差大）；CKF采用三阶球面径向容积规则来求取2n个容积点。逼近任何非线性高斯状态的后验均值和方差。④计算状态量预测值及误差协方差预测值。⑨增益更新，状态量，误差协方差。个Sigma点，而CKF仅需。UKF的冗余：UKF使用。⑧量测误差协方差和协方差。
均方根信息滤波（SRIF）测试（一）
hpulizhen的博客
12-28 8346
均方根信息滤波（Square Root Information Filter）由于具有更好的数值稳定性而被广泛使用。参考Gerald J.Bierman的Factorization Methods for Discrete Sequential Estimation 对SRIF的基本原理进行了学习，并完成了SRIF的仿真数据测试，该方法在实现中暂未考虑状态方程的过程噪声，因此仅仅适用于不随时间变化
均方根信息滤波与卡尔曼滤波对比
02-09
### 均方根信息滤波与卡尔曼滤波的区别与联系 #### 定义与基本原理 均方根信息滤波（Root Mean Square Information Filtering）主要关注于通过计算信号的均方根误差(RMSE)，从而评估并优化估计精度。该方法侧重于衡量预测值和真实值之间的差异程度。 相比之下，卡尔曼滤波是一种递归算法，在处理线性动态系统的状态估计问题上表现优异[^4]。其核心在于利用一系列测量观测数据来更新对系统内部状态的最佳估计，并且能够有效地减少噪声干扰的影响。 #### 数学表达形式 对于均方根信息滤波而言，通常会涉及到如下公式用于评价性能： \[ RMSE = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(y_i-\hat{y}_i)^2} \] 其中 \( y_i \) 表示实际观测值，\( \hat{y}_i \) 是对应的预测值，而 N 则代表样本数量。 而在卡尔曼滤波框架下，则存在更复杂的数学描述方式，包括但不限于以下几个方面： - **状态转移矩阵**：用来表示从当前时刻到下一时刻的状态变化关系； - **过程噪声协方差矩阵** 和 **观测噪声协方差矩阵** ：分别刻画了过程中以及观察中的不确定性因素； - 更新步长内的两个关键操作——时间更新(预测阶段)和测量更新(校正阶段)； ```matlab % 时间更新 (预测) x_pred = A * x_est; P_pred = A * P_est * A' + Q; % 测量更新 (校正) K = P_pred * H' / (H * P_pred * H' + R); x_est = x_pred + K * (z - H * x_pred); P_est = (eye(size(x)) - K * H) * P_pred; ``` 这里展示了简单的离散时间卡尔曼滤波器的时间更新和测量更新步骤[^3]。 #### 应用场景对比 当面对较为简单的问题情境时，如果只需要定量分析估计效果的好坏而不涉及具体的过程建模的话，那么采用均方根信息作为评判标准可能是更为便捷的选择。 然而，在需要构建精确的动力学模型并对复杂环境下的目标进行实时追踪的情况下，比如自动驾驶车辆中的传感器融合任务[Lidar&Radar][^1]，则更适合运用卡尔曼滤波技术来进行高效的数据处理。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值