#statistics #computer-vision #filtering
#Статистика #компьютерное зрение #фильтрация
Вопрос:
Я наткнулся на следующее предложение, относящееся к обычному расширенному фильтру Калмана, и я пытаюсь разобраться в этом:
Состояния, предшествующие текущему состоянию, аппроксимируются нормальным распределением
Что это значит?
Комментарии:
1. можете ли вы указать источник этой цитаты? Я хотел бы увидеть контекст, чтобы понять цитату
Ответ №1:
смоделированная величина имеет неопределенность, поскольку она получена из измерений. вы не можете быть уверены, что это именно значение X. вот почему величина представлена функцией плотности вероятности (или кумулятивной функцией распределения, которая является интегралом от нее).
распределение вероятностей может выглядеть очень произвольно, но существует много «простых» распределений, которые приближаются к реальному миру. вы слышали о нормальном распределении (гауссовом), равномерном распределении (прямоугольном), …
нормальное распределение (параметры mu и sigma) встречается повсюду в природе, поэтому вполне вероятно, что ваши измерения уже очень хорошо соответствуют нормальному распределению.
«гауссовский» подразумевает, что ваше распределение представляет собой не смесь (сумму) гауссианов, а один гауссовский.
Комментарии:
1. Спасибо. Я все еще не понимаю, как в EKF это делается: когда мы предполагаем, что старые состояния являются гауссовыми? Мне кажется, что на каждом временном шаге t мы моделируем состояние X_t как нелинейную функцию предыдущего состояния X_t-1 ошибка Гаусса. Итак, можно сказать, что X_t, обусловленный X_t-1, является гауссовским. Но я не думаю, что это правильный способ увидеть это..
2. это степень моего понимания фильтров Калмана. Я надеюсь, что вы получите ответы от других людей. google ничего не знал об этом предложении, которое вы процитировали, поэтому оно, должно быть, не появилось ни в одной доступной публикации.