我对卡尔曼滤波器完全陌生。我上过一些关于条件概率和线性代数的基础课程。有人可以推荐一本好书或网络上的任何资源来帮助我理解Kalman Filter的操作吗？
大多数网站都直接从公式及其含义开始，但是我对它的推导更感兴趣，或者，如果没有详细推导，则至少每个操作和参数的物理意义。
#1 楼
许多年前，我在卡尔曼滤波器上写了本教程。它使用常规矩阵方法得出滤波器，并将其统计假设显示为“最佳”最小二乘滤波器。评论
$ \ begingroup $
是你！ =）很棒的教程，去年某个时候我真的很喜欢阅读它。欢迎使用DSP.SE！
$ \ endgroup $
– Phonon
2012-09-17 12:47
$ \ begingroup $
这是一个很棒的教程。如果您对卡尔曼滤波器有新的想法，您认为可以更新它吗？谢谢。
$ \ endgroup $
–罗伊
13年4月26日在17:26
#2 楼
这似乎是卡尔曼滤波器的不错写法。#3 楼
我也在寻找一本书，最好涵盖了在现实生活中学习和实现卡尔曼滤波所需的基础知识。到目前为止，我最终确定了以下选择：Paul Zarchan提出的卡尔曼滤波基础：一种实用方法（航空航天工程进展）
我认为这应该是我现在正在订购。 :)
#4 楼
一个不错的3部分Youtube视频系列（每个〜10分钟）可以直观地了解Kalman滤波器。http://www.youtube.com/watch?v=FkCT_LV9Syk。
要注意的一件事是，有多种方法可以推导卡尔曼滤波器方程，每种方法都可以为您提供不同的工作原理。因此，我建议您研究2-3种不同的推导，以帮助您内化该算法。
#5 楼
最近，Mandic，Danilo P.和Kanna，Sithan和Constantinides，Anthony G.在IEEE信号处理杂志上发表了“关于最小均方和卡尔曼滤波器之间的内在关系”：卡尔曼滤波器和最小均方（LMS）自适应滤波器是最流行的两种自适应估计算法，它们经常在许多统计信号处理应用中互换使用。它们通常被视为单独的实体，
前者是最优贝叶斯估计量的实现，而
是最优Wiener滤波问题的递归解决方案。在本讲义中，我们考虑系统识别框架，在该框架内，我们通过分析最优随机性所必需的自由度来实现卡尔曼滤波和LMS类型算法的联合观点。梯度下降
适应。这种方法允许引入卡尔曼滤波器，而无需任何贝叶斯统计概念，这可能有益于许多不依赖贝叶斯方法的社区。
评论
看看这个问题：dsp.stackexchange.com/q/2066/1273从头开始，这里有55个简短的演讲系列，非常有帮助
被高度引用的论文，将使您对该主题有实际的了解。点击此处