gpt4 book ai didi

kalman-filter - 解释卡尔曼滤波器中的过程噪声术语

转载 作者:行者123 更新时间:2023-12-03 11:57:04 25 4
gpt4 key购买 nike

我只是在学习卡尔曼滤波器。在卡尔曼滤波器术语中,我在处理过程噪声方面遇到了一些困难。在许多具体示例中似乎忽略了过程噪声(大多数集中在测量噪声上)。如果有人能给我指出一些介绍性的链接,用例子很好地描述了过程噪声,那就太好了。

让我们为我的问题使用一个具体的标量示例,给出:

x_j = a x_j-1 + b u_j + w_j

比方说 x_j随时间模拟冰箱内的温度。它是 5 度,应该保持这样,所以我们用 a = 1 建模.如果在某个时候 t = 100 ,冰箱的温度变成7度(即大热天,保温差),那么我相信此时的过程噪音是2度。所以我们的状态变量 x_100 = 7度,这就是系统的真正值(value)。

问题一:

如果我再转述我经常看到的描述卡尔曼滤波器的短语,“我们对信号 x 进行滤波,以便最小化噪声 w 的影响”, http://www.swarthmore.edu/NatSci/echeeve1/Ref/Kalman/ScalarKalman.html如果我们尽量减少 2 度的影响,我们是否试图摆脱 2 度的差异?但真实状态是 x_100 == 7度。当我们进行卡尔曼滤波时,我们对过程噪声 w 做了什么?

问题2:

过程噪声的方差为 Q .在简单的冰箱示例中,建模似乎很容易,因为您知道潜在的真实状态是 5 度,并且可以取 Q作为与该状态的偏差。但是,如果真正的潜在状态随时间波动,那么当您建模时,其中的哪一部分将被视为状态波动与“过程噪声”。我们如何确定一个好的 Q (再次举例会很好)?

我发现为 Q无论您处于哪个时间步长,都始终添加到协方差预测中(请参阅 http://greg.czerniak.info/guides/kalman1/ 中的协方差预测公式),如果您选择过大的 Q ,那么卡尔曼滤波器似乎不会表现良好。

谢谢。

EDIT1 我的解释

我对术语过程噪声的解释是系统的实际状态与从状态转换矩阵(即 a * x_j-1)建模的状态之间的差异。而卡尔曼滤波器试图做的是让预测更接近实际状态。从这个意义上说,它实际上是通过残差反馈机制将过程噪声部分“纳入”到预测中,而不是“消除”它,以便更好地预测实际状态。我在搜索中的任何地方都没有阅读过这样的解释,我很感激任何人对这个观点发表评论。

最佳答案

在卡尔曼滤波中,“过程噪声”代表系统状态随时间变化的想法/特征,但我们不知道这些变化何时/如何发生的确切细节,因此我们需要将它们建模为随机过程.

在您的冰箱示例中:

  • 系统的状态是温度,
  • 我们在某个时间间隔内获得温度测量值,比如每小时,
    通过查看温度计表盘。请注意,您通常需要
    表示测量过程中涉及的不确定度
    在卡尔曼滤波中,但您没有在问题中关注这一点。
    我们假设这些误差很小。
  • 在时间 t你看看温度计,看到它显示 7 度;
    由于我们假设测量误差非常小,这意味着
    真实温度是(非常接近)7 度。
  • 现在的问题是:稍后的温度是多少,比如 15 分钟
    你看了之后?

  • 如果我们不知道冰箱中的冷凝器是否/何时打开,我们可以:
    1.后期温度还高于7度(15分钟即可)
    接近一个循环中的最高温度),
    2. 如果冷凝器正在/已经运行,则降低,甚至,
    3. 大致相同。

    这种想法是,对于真实状态存在可能结果的分布
    系统在稍后的时间是“过程噪音”

    注意:我的冰箱定性模型是:冷凝器没有运行,温度上升,直到达到比标称目标温度高几度的阈值温度(注意 - 这是一个传感器,因此可能会有噪音冷凝器开启的温度),冷凝器保持开启直到温度达到
    比设定温度低几度。还要注意的是,如果有人开门,那么温度会出现跳跃;由于我们不知道何时有人会这样做,因此我们将其建模为一个随机过程。

    关于kalman-filter - 解释卡尔曼滤波器中的过程噪声术语,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/19537884/

    25 4 0
    Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
    广告合作:1813099741@qq.com 6ren.com