# 卡尔曼滤波

> 一种递归算法，用于在存在噪声（误差）的数据中，通过结合"上一时刻的预测"和"当前的测量"，估计出系统的真实状态。

- ID: m04765
- 分类: system
- 领域: 系统论

## 定义

一种递归算法，用于在存在噪声（误差）的数据中，通过结合"上一时刻的预测"和"当前的测量"，估计出系统的真实状态。它不完全信预测，也不完全信测量，而是根据两者的不确定性进行加权。脚手架作用： 动态修正偏差。在面对不确定的未来时，不要固守最初的计划（预测），也不要盲目随波逐流（测量）。要像卡尔曼滤波一样，不断根据新信息更新对现状的"最佳估计"，并在噪音中逼近真相。

## 机制

以贝叶斯式递归在预测（模型）与测量（观测）间按不确定性加权，得到最小均方误差的状态估计；不确定性小的一方权重更大，动态逼近真实。

## 练习

①用上一刻状态做预测；②加入当前测量；③按各自协方差加权融合；④更新估计并迭代。

## 脚手架用法

动态修正偏差。在面对不确定的未来时，不要固守最初的计划（预测），也不要盲目随波逐流（测量）。要像卡尔曼滤波一样，不断根据新信息更新对现状的"最佳估计"，并在噪音中逼近真相。

[阅读网页](https://thinkingmodels.site/entries/detail/m04765)