下载文档原格式
卡尔曼滤波_卡尔曼算法1.引言1.1 概述卡尔曼滤波是一种用于估计系统状态的技术，通过融合传感器测量值和系统模型的预测值，提供对系统状态的最优估计。
它的应用十分广泛，特别在导航、图像处理、机器人技术等领域中发挥着重要作用。
在现实世界中，我们往往面临着各种噪声和不确定性，这些因素会影响我们对系统状态的准确估计。
卡尔曼滤波通过动态调整系统状态的估计值，可以有效地抑制这些干扰，提供更加精确的系统状态估计。
卡尔曼滤波的核心思想是利用系统模型的预测和传感器测量值之间的线性组合，来计算系统状态的最优估计。
通过动态地更新状态估计值，卡尔曼滤波可以在对系统状态的准确估计和对传感器测量值的实时响应之间进行平衡。
卡尔曼滤波算法包括两个主要步骤：预测和更新。
在预测步骤中，通过系统模型和上一时刻的状态估计值，预测当前时刻的系统状态。
在更新步骤中，将传感器测量值与预测值进行比较，然后根据测量误差和系统不确定性的权重，计算系统状态的最优估计。
卡尔曼滤波具有很多优点，例如它对传感器噪声和系统模型误差具有鲁棒性，可以提供较为稳定的估计结果。
此外，卡尔曼滤波还可以有效地处理缺失数据和不完全的测量信息，具有较高的自适应性和实时性。
尽管卡尔曼滤波在理论上具有较好的性能，但实际应用中还需考虑诸如系统模型的准确性、测量噪声的特性等因素。
因此，在具体应用中需要根据实际情况进行算法参数的调整和优化，以提高估计的准确性和可靠性。
通过深入理解卡尔曼滤波的原理和应用，我们可以更好地应对复杂环境下的估计问题，从而在实际工程中取得更好的效果。
本文将介绍卡尔曼滤波的基本原理和算法步骤，以及其在不同领域的应用案例。
希望通过本文的阅读，读者们可以对卡尔曼滤波有一个全面的了解，并能够在实际工程中灵活运用。
1.2文章结构文章结构部分的内容可以按照以下方式编写：1.2 文章结构本文将围绕卡尔曼滤波和卡尔曼算法展开论述。
首先，我们会在引言部分对卡尔曼滤波和卡尔曼算法进行简要概述，介绍其基本原理和应用领域。
卡尔曼滤波算法计算温升摘要：一、引言二、卡尔曼滤波算法简介1.算法原理2.算法应用三、温升计算方法1.传统方法2.卡尔曼滤波算法在温升计算中的应用四、卡尔曼滤波算法在温升计算中的优势1.精度提高2.实时性增强3.抗干扰能力五、实例分析六、结论正文：一、引言随着科技的快速发展，对温度控制的精度要求越来越高。
在各种温度控制系统中，温升计算是一个重要环节。
传统的温升计算方法存在一定的局限性，如精度低、实时性差等。
为了提高温升计算的精度和实时性，本文将介绍一种应用于温升计算的卡尔曼滤波算法。
二、卡尔曼滤波算法简介1.算法原理卡尔曼滤波算法是一种线性最优递归滤波算法，它通过对系统状态的实时估计，不断更新预测值，从而达到提高精度、降低误差的目的。
2.算法应用卡尔曼滤波算法广泛应用于航空航天、通信、测量和控制等领域。
在温度控制系统中，利用卡尔曼滤波算法进行温升计算，可以有效提高计算精度。
三、温升计算方法1.传统方法传统温升计算方法主要依赖于实验数据和经验公式。
这种方法在一定范围内具有一定的可靠性，但存在精度低、实时性差等问题。
2.卡尔曼滤波算法在温升计算中的应用将卡尔曼滤波算法应用于温升计算，可以实时采集温度数据，并对数据进行处理和优化。
通过不断更新状态变量和预测值，提高温升计算的精度和实时性。
四、卡尔曼滤波算法在温升计算中的优势1.精度提高卡尔曼滤波算法在温升计算中，可以对系统状态进行实时估计，有效减小误差，提高计算精度。
2.实时性增强卡尔曼滤波算法具有较高的实时性，能够实时采集和处理温度数据，满足温度控制系统对实时性的要求。
3.抗干扰能力在复杂环境中，温度数据容易受到各种干扰。
卡尔曼滤波算法具有较强的抗干扰能力，能够有效滤除噪声，提高温升计算的准确性。
五、实例分析以某温度控制系统为例，将卡尔曼滤波算法应用于温升计算。
通过对比传统方法和卡尔曼滤波算法的结果，可以看出卡尔曼滤波算法在温升计算中的优势。
六、结论本文对卡尔曼滤波算法在温升计算中的应用进行了详细介绍。
卡尔曼滤波的原理与应用一、什么是卡尔曼滤波卡尔曼滤波是一种用于估计系统状态的算法，其基本原理是将过去的观测结果与当前的测量值相结合，通过加权求和的方式进行状态估计，从而提高对系统状态的准确性和稳定性。
二、卡尔曼滤波的原理卡尔曼滤波的原理可以简单概括为以下几个步骤：1.初始化：初始状态估计值和协方差矩阵。
2.预测：使用系统模型进行状态的预测，同时更新预测的状态协方差矩阵。
3.更新：根据测量值，计算卡尔曼增益，更新状态估计值和协方差矩阵。
三、卡尔曼滤波的应用卡尔曼滤波在很多领域都有广泛的应用，下面列举了几个常见的应用场景：•导航系统：卡尔曼滤波可以用于航空器、汽车等导航系统中，实时估计和优化位置和速度等状态参数，提高导航的准确性。
•目标追踪：如在无人机、机器人等应用中，利用卡尔曼滤波可以对目标进行状态估计和跟踪，提高目标追踪的鲁棒性和准确性。
•信号处理：在雷达信号处理、语音识别等领域，可以利用卡尔曼滤波对信号进行滤波和估计，去除噪声和提取有效信息。
•金融预测：卡尔曼滤波可以应用于金融市场上的时间序列数据分析和预测，用于股价预测、交易策略优化等方面。
四、卡尔曼滤波的优点•适用于线性和高斯性：卡尔曼滤波适用于满足线性和高斯假设的系统，对于线性和高斯噪声的系统，卡尔曼滤波表现出色。
•递归性：卡尔曼滤波具有递归性质，即当前状态的估计值只依赖于上一时刻的状态估计值和当前的测量值，不需要保存全部历史数据，节省存储空间和计算时间。
•最优性：卡尔曼滤波可以依据系统模型和观测误差的统计特性，以最小均方差为目标，进行最优状态估计。
五、卡尔曼滤波的局限性•对线性和高斯假设敏感：对于非线性和非高斯的系统，卡尔曼滤波的性能会受到限制，可能会产生不理想的估计结果。
•模型误差敏感：卡尔曼滤波依赖于精确的系统模型和观测误差统计特性，如果模型不准确或者观测误差偏差较大，会导致估计结果的不准确性。
•计算要求较高：卡尔曼滤波中需要对矩阵进行运算，计算量较大，对于实时性要求较高的应用可能不适合。
卡尔曼滤波原理及应用
一、卡尔曼滤波原理
卡尔曼滤波（Kalman filter）是一种后验最优估计方法。
它以四个步骤：预测、更新、测量、改善，不断地调整估计量来达到观测的最优估计的目的。
卡尔曼滤波的基本思想，是每次观测到某一位置来更新位置的参数，并用更新结果来预测下一次的位置参数，再由预测时产生的误差来改善当前位置参数。
从而可以达到滤波的效果，提高估计精度。
二、卡尔曼滤波应用
1、导航系统。
卡尔曼滤波可以提供准确的位置信息，把最近获得的各种定位信息和测量信息，如GPS、ISL利用卡尔曼滤波进行定位信息融合，可以提供较准确的空中、地面导航服务。
2、智能机器人跟踪。
在编队技术的应用中，智能机器人往往面临着各种复杂环境，很难提供精确的定位信息，而卡尔曼滤波正是能解决这一问题，将持续不断的测量信息放在卡尔曼滤波器中，使机器人能够在范围内定位，跟踪更新准确可靠。
3、移动机器人自主避障。
对于移动机器人来说，很多时候在前传感器检测不到
人或障碍物的时候，一般将使用卡尔曼滤波来进行自主避障。
卡尔曼滤波的定位精度很高，相对于静止定位而言，移动定位有更多的参数要考虑，所以能提供更准确的定位数据来辅助自主避障，准确的定位信息就可以让我们很好的实现自主避障。
4、安防监控。
与其他传统的安防场景比，安防场景如果需要运动物体位置估计或物体检测，就必须使用卡尔曼滤波技术来实现，这是一种行为检测和行为识别的先进技术。
（注：安防监控可用于感知移动物体的位置，并在设定的范围内监测到超出范围的物体，以达到安全防护的目的。
）。
控制系统卡尔曼滤波卡尔曼滤波（Kalman filter）是一种经典的状态估计技术，在控制系统中拥有广泛应用。
本文将介绍控制系统中卡尔曼滤波的基本原理、算法流程以及应用实例。
一、卡尔曼滤波的基本原理卡尔曼滤波是基于系统状态和测量数据之间的线性关系，通过递推的方式对系统的状态进行估计。
其基本原理包括两个方面：状态预测和测量更新。
1. 状态预测状态预测是指根据系统的状态方程和上一时刻的状态估计值，通过数学模型预测当前时刻的系统状态。
状态方程通常用线性动力学方程表示，可以描述系统在无外界干扰下的状态演化规律。
2. 测量更新测量更新是指根据系统的测量方程和当前时刻的测量数据，对系统的状态进行修正和更新。
测量方程通常用线性观测方程表示，可以将系统的状态转化为可观测的输出。
二、卡尔曼滤波的算法流程卡尔曼滤波的算法流程主要包括两个步骤：预测步骤和更新步骤。
1. 预测步骤在预测步骤中，通过系统状态方程和控制输入预测系统的状态。
预测的过程包括两个关键的计算：（1）状态预测：根据上一时刻的状态估计值和状态方程，计算当前时刻的状态预测值。
（2）状态协方差预测：根据上一时刻的状态协方差估计值、过程噪声协方差以及状态转移矩阵，计算当前时刻的状态协方差预测值。
2. 更新步骤在更新步骤中，通过测量方程和测量数据来修正和更新系统的状态。
更新的过程包括两个关键的计算：（1）卡尔曼增益计算：根据状态协方差预测值、测量噪声协方差以及测量矩阵，计算卡尔曼增益。
（2）状态估计更新：根据卡尔曼增益、状态预测值和测量残差，计算当前时刻的状态估计值和状态协方差估计值。
三、卡尔曼滤波的应用实例卡尔曼滤波在控制系统中具有广泛的应用，下面将通过一个实际的应用实例来说明其效果。
假设有一个飞行器，通过激光雷达测量距离来估计飞行器与目标之间的距离。
然而，由于环境噪声和测量误差的存在，测量数据会受到一定程度的扰动。
在这个实例中，我们可以使用卡尔曼滤波来对飞行器与目标之间的距离进行估计。
卡尔曼滤波应用实例1. 介绍卡尔曼滤波是一种状态变量滤波技术，又称为按时间顺序处理信息的最优滤波。
最初，它是由罗伯特·卡尔曼（Robert Kalman）在国防领域开发的。
卡尔曼滤波是机器人领域中常用的滤波技术，用于估计变量，如机器人位置，轨迹，速度和加速度这些有不确定性的变量。
它利用一组测量值，通过机器学习的形式来观察目标，以生成模糊的概念模型。
2. 应用实例(1) 航迹跟踪：使用卡尔曼滤波可以进行航迹跟踪，这是一种有效的状态估计技术，可以处理带有动态噪声的状态变量跟踪问题。
它能够在航迹跟踪中进行有效的参数估计，而不受环境中持续噪声（如气动噪声）的影响。
(2) 模糊控制：模糊控制是控制系统设计中的一种重要方法，可用于解决动态非线性系统的控制问题。
卡尔曼滤波可用于控制模糊逻辑的控制政策估计。
它能够以更低的复杂性和高的控制精度来解决非线性控制问题，是一种高度有效的模糊控制方法(3) 定位和导航：使用卡尔曼滤波，可以实现准确的定位和导航，因为它可以将具有不确定性的位置信息转换为准确可信的信息。
这对于记录机器人的行走路径和定位非常重要，例如机器人搜索和地图构建中可以使用卡尔曼滤波来实现准确的定位和导航。
3. 结论从上文可以看出，卡尔曼滤波是一种非常强大的滤波技术，可以有效地解决各种由动态噪声引起的复杂问题。
它能够有效地解决估计（如机器人的位置和轨迹），控制（模糊控制）和定位（定位和导航）方面的问题。
而且，卡尔曼滤波技术具有计算速度快，参数估计效果好，能有效弥补传感器误差，还能够避免滤波状态混淆，精度较高等特点，可以在很多领域中广泛应用。
卡尔曼滤波详解一维卡尔曼滤波实例解析（五个公式以及各个参数的意义）一、问题描述假设我们有一个一维系统，我们想要估计这个系统的状态x。
我们可以通过一维传感器获得关于这个系统的观测z，但是这个观测会存在误差。
二、基本原理三、基本公式1.状态预测：我们首先假设系统可以通过一个线性方程来描述：x(k)=Ax(k-1)+B(u(k))+w(k)，其中x(k)代表系统在时刻k的真实状态，A是系统的状态转移矩阵，B是外部输入的影响矩阵，u(k)是外部输入，w(k)是系统状态预测过程中的噪声。
2.状态协方差预测：卡尔曼滤波同时也需要估计状态的不确定性，即状态协方差。
协方差可以通过以下公式进行预测：P(k)=AP(k-1)A^T+Q(k-1)，其中P(k)代表状态协方差矩阵，Q(k-1)是协方差预测过程中的噪声。
3.观测预测：将状态的估计值带入观测模型中，可以预测观测值：z^(k)=Hx^(k)，其中z^(k)代表预测的观测值，x^(k)代表状态的估计值，H是观测模型矩阵。
4.观测残差：观测残差即观测值与预测观测值之间的差异：y(k)=z(k)-z^(k)，其中y(k)代表观测残差。
5.状态更新：基于观测残差，我们可以通过以下公式更新状态的估计值：x(k)=x^(k)+K(k)y(k)，其中K(k)代表卡尔曼增益。
卡尔曼增益可以通过以下公式计算：K(k)=P(k)H^T(HP(k)H^T+R)^-1，其中R为观测噪声的方差。
四、参数含义1.状态转移矩阵A：描述系统状态k与状态k-1之间的转移关系。
2.外部输入矩阵B：外部输入对系统状态的影响矩阵。
3.外部输入u(k)：外部输入，可以是控制信号或者测量噪声。
4.状态预测噪声w(k)：在状态预测过程中引入的噪声。
5.状态协方差矩阵P：表示状态估计的不确定性，协方差矩阵的对角线上的元素越大，状态的不确定性越大。
6.状态协方差预测噪声Q(k)：在状态协方差预测过程中引入的噪声。
卡尔曼滤波器弹簧实例概述:卡尔曼滤波器是一个强大的工具，用于各种领域，包括工程，机器人和金融，估计基于噪声测量系统的状态。
在本文中，我们将探讨在弹簧系统中使用卡尔曼滤波器的一个实际例子。
我们将讨论卡尔曼滤波器的基本原理，它在弹簧系统中的应用，以及它在精确状态估计和降噪方面提供的好处。
身体:1. 卡尔曼滤波器简介:1.1卡尔曼滤波是一种基于一系列测量估计动态系统状态的递归算法。
它考虑了系统的动力学和测量中存在的噪声，以提供对真实状态的最佳估计。
1.2滤波主要包括两个步骤:预测步骤和更新步骤。
在预测步骤中，过滤器使用系统的动态模型根据先前的状态估计来预测下一个状态。
在更新步骤中，滤波器引入新的测量值来纠正状态估计并减少噪声的影响。
2. 卡尔曼滤波在弹簧系统中的应用2.1考虑一个弹簧-质量-阻尼器系统，其中一个质量连接在弹簧和阻尼器上。
目标是基于对其位置的噪声测量来估计质量的位置和速度。
2.2在本例中，卡尔曼滤波器可用于通过结合弹簧-质量-阻尼系统的动力学和位置的噪声测量来估计质量的状态。
2.3系统的动力学可以用一组线性方程来描述，可以作为卡尔曼滤波中的系统模型。
位置的测量值可以作为滤波器中的观测值。
2.4通过使用卡尔曼滤波方程迭代更新状态估计，即使在存在测量噪声的情况下，滤波器也可以提供对质量位置和速度的准确估计。
3. 在弹簧系统中使用卡尔曼滤波器的好处:3.1准确的状态估计:卡尔曼滤波同时考虑了系统动力学和测量噪声，以提供对真实状态的最优估计。
这允许准确估计的位置和速度的质量在弹簧系统中，即使在存在噪声。
3.2降噪:卡尔曼滤波器旨在通过结合测量和系统动力学来降低测量噪声的影响。
它使用预测状态和测量值的加权平均值来更新状态估计，赋予具有较低噪声的分量更多的权重。
这就产生了受测量中存在的噪声影响较小的滤波估计。
3.3实时估计:卡尔曼滤波是一种递归算法，这意味着它可以在新的测量值可用时实时更新状态估计。
卡尔曼，美国数学家和电气工程师。
1930年5月 19日生于匈牙利首都布达佩斯。
1953年在美国麻省理工学院毕业获理学士学位,1954年获理学硕士学位,1957年在哥伦比亚大学获科学博士学位。
1957～1958年在国际商业机器公司(IBM)研究大系统计算机控制的数学问题。
1958～1964年在巴尔的摩高级研究院研究控制和数学问题。
1964～1971年到斯坦福大学任教授。
1971年任佛罗里达大学数学系统理论研究中心主任，并兼任苏黎世的瑞士联邦高等工业学校教授。
1960年卡尔曼因提出著名的卡尔曼滤波器而闻名于世。
卡尔曼滤波器在随机序列估计、空间技术、工程系统辨识和经济系统建模等方面有许多重要应用。
1960年卡尔曼还提出能控性的概念。
能控性是控制系统的研究和实现的基本概念，在最优控制理论、稳定性理论和网络理论中起着重要作用。
卡尔曼还利用对偶原理导出能观测性概念，并在数学上证明了卡尔曼滤波理论与最优控制理论对偶。
为此获电气与电子工程师学会(IEEE)的最高奖──荣誉奖章。
卡尔曼著有《数学系统概论》(1968)等书。
什么是卡尔曼滤波最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Ｋолмогоров等人的研究工作，后人统称为维纳滤波理论。
从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。
为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。
卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。
它适合于实时处理和计算机运算。
卡尔曼滤波的实质是由量测值重构系统的状态向量。
它以“预测—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。
释文：卡尔曼滤波器是一种由卡尔曼（Kalman）提出的用于时变线性系统的递归滤波器。
这个系统可用包含正交状态变量的微分方程模型来描述，这种滤波器是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。
卡尔曼滤波的应用斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器.卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑使用了这种滤波器. 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表.目前,卡尔曼滤波已经有很多不同的实现.卡尔曼最初提出的形式现在一般称为简单卡尔曼滤波器.除此以外,还有施密特扩展滤波器,信息滤波器以及很多Bierman, Thornton 开发的平方根滤波器的变种.也行最常见的卡尔曼滤波器是锁相环，它在收音机,计算机和几乎任何视频或通讯设备中广泛存在.卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列预测出物体的坐标位置及速度. 在很多工程应用(雷达, 计算机视觉)中都可以找到它的身影. 同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要话题.比如,在雷达中,人们感兴趣的是跟踪目标,但目标的位置,速度,加速度的测量值往往在任何时候都有噪声.卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响,得到一个关于目标位置的好的估计。
这个估计可以是对当前目标位置的估计(滤波),也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑).扩展卡尔曼滤波（EKF）EXTEND KALMAN FILTER扩展卡尔曼滤波器是由kalman filter考虑时间非线性的动态系统，常应用于目标跟踪系统。
卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全包含噪声的测量(英文:measurement)中，估计动态系统的状态。
简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。
对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。
他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。
近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。
卡尔曼滤波的命名这种滤波方法以它的发明者鲁道夫.E.卡尔曼（Rudolf E. Kalman）命名. 虽然Peter Swerling实际上更早提出了一种类似的算法.卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。
1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。
1957年于哥伦比亚大学获得博士学位。
我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。
如果对这编论文有兴趣，可以到这里的地址下载：/~welch/kalman/media/pdf/Kalman1960.pdf卡尔曼滤波的应用斯坦利.施密特(Stanley Schmidt)首次实现了卡尔曼滤波器.卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑使用了这种滤波器. 关于这种滤波器的论文由Swerling (1958), Kalman (1960)与 Kalman and Bucy (1961)发表.目前,卡尔曼滤波已经有很多不同的实现.卡尔曼最初提出的形式现在一般称为简单卡尔曼滤波器.除此以外,还有施密特扩展滤波器,信息滤波器以及很多Bierman, Thornton 开发的平方根滤波器的变种.也行最常见的卡尔曼滤波器是锁相环，它在收音机,计算机和几乎任何视频或通讯设备中广泛存在.卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列预测出物体的坐标位置及速度. 在很多工程应用(雷达, 计算机视觉)中都可以找到它的身影. 同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要话题.比如,在雷达中,人们感兴趣的是跟踪目标,但目标的位置,速度,加速度的测量值往往在任何时候都有噪声.卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响,得到一个关于目标位置的好的估计。
这个估计可以是对当前目标位置的估计(滤波),也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑).实例分析为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。
但是，他的5条公式是其核心内容。
结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。
在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。
假设我们要研究的对象是一个房间的温度。
根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。
假设你对你的经验不是100%的相信，可能会有上下偏差几度。
我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。
另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。
我们也把这些偏差看成是高斯白噪声。
好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。
下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。
假如我们要估算k时刻的是实际温度值。
首先你要根据k-1时刻的温度值，来预测k时刻的温度。
因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差(估计值误差)是3，你对自己预测的不确定度（预测误差）是4度，他们平方相加再开方，就是5）。
然后，你从温度计那里得到了k时刻的温度值（测量值），假设是25度，同时该值的偏差是4度（测量误差）。
由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。
究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的协方差（covariance）来判断。
因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。
可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。
现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。
到现在为止，好像还没看到什么自回归的东西出现。
对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。
算法如下：((1-Kg)*5^2)^0.5=2.35。
这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。
就是这样，卡尔曼滤波器就不断的把covariance递归，从而估算出最优的温度值。
他运行的很快，而且它只保留了上一时刻的covariance。
上面的Kg，就是卡尔曼增益（Kalman Gain）。
他可以随不同的时刻而改变他自己的值，是不是很神奇！在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。
跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。
1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。
1957年于哥伦比亚大学获得博士学位。
我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。
如果对这编论文有兴趣，可以到这里的地址下载：/~welch/kalman/media/pdf/Kalman1960.pdf简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。
