贝叶斯与卡尔曼滤波的区别

thinkfunny

贝叶斯与卡尔曼滤波的区别

" }4 U9 G) g" I! p$ q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--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。
* p4 S* U: @% E+ T/ D8 n3 V
) p4 ]4 O& X- V& f- [3 M) U4 J

游客，如果您要查看本帖隐藏内容请回复

yin123

贝叶斯与卡尔曼滤波的区别