这里不重复具体细节(没有线性代数图像函数),卡尔曼滤波器逐步估计未来状态(就像Wiener滤波器一样).特别是,我们估计状态,应用问题域特定的噪声估计和状态变化近似,然后迭代.也就是说,我们采用当前的状态观测,过滤那些观测值,预测下一个状态,然后将该输出结合起来产生一些新的下一个状态观测值.

我发现卡尔曼滤波器对于预测运动路径非常有用.由于运动路径是平滑的,卡尔曼滤波器工作得特别好 – 使用过去已知的状态观察可以很容易地预测运动.因此,假设您正在驾驶汽车行驶,您将汽车的当前坐标记录为当前状态.然后,您可以过滤过去的状态观察(您以前的位置),以预测汽车的下一个点(及时).请注意,您可以应用物理定律(比如动量)来自定义此过滤器,并提出相当合理的结果.速度或方向的随机变化对预测有一些影响.

看看这个C implementation你可以看到我们在运行卡尔曼滤波器估计和更新时有两个主要功能(wikipedia article谈论这些,但是调用估计“预测”).

最终,您需要确定一些非常具体的统计数据,以确定您希望应用卡尔曼滤波器的问题.特别是,您需要生成/记录/观察您观察到的噪声信号的方差随时间演变的统计数据.假设您预测的过程也是随机的,因此您还需要估计其统计数据.