卡尔曼滤波（Kalman Filter）是一种高效的递归数学算法，用于从包含噪声的观测数据中动态估计系统的状态。它广泛应用于信号处理、导航、控制系统、机器人等领域。其核心思想是通过结合预测（系统模型）和更新（观测数据）来最小化估计误差的协方差。
一、状态空间模型
系统由 “状态方程” 和 “观测方程” 描述。
1. 状态方程（预测模型）
其中，
(x_k)：当前时刻的状态向量（需估计的量）。
(F_k)：状态转移矩阵（描述系统如何从(x_{k-1}) 演化到(x_k)）。
(u_k)：控制输入（可选）。
(w_k)：过程噪声（假设为高斯白噪声，协方差为(Q_k)）。
2. 观测方程（测量模型）
其中，
(z_k)：观测向量。
(H_k)：观测矩阵（将状态映射到观测空间）。
(v_k)：观测噪声（高斯白噪声，协方差为(R_k)）。
二、算法的两步过程：预测与更新
卡尔曼滤波通过预测和更新交替进行。
1. 预测（时间更新）
状态预测：根据上一时刻状态估计值，预测当前状态
误差协方差预测：更新预测状态的不确定性
其中，(P_k^{-})是先验误差协方差矩阵，表示预测的不确定性；(Q_k)为过程噪声协方差。
2. 更新（测量更新）
结合观测数据修正预测值：
(1)计算卡尔曼增益(K_k)（权衡预测与观测的权重）
（注：(K_k)的值反映观测值对状态估计的修正程度：噪声越大，增益越小）
(2) 更新状态估计（结合预测值与观测值，得到最优估计）
其中，(z_k-H_khat x_k^{-})为观测残差，体现预测与实际观测的偏差。
(3) 更新误差协方差（更新当前状态估计的不确定性）
其中，(I)为单位矩阵，更新后协方差矩阵反映估计精度的提升。
卡尔曼增益(K_k)的设计使得后验误差协方差(P_k)最小化，即估计值是最小均方误差（MMSE）意义下的最优估计。
三、关键假设
a. 线性系统模型（非线性需扩展卡尔曼滤波EKF或无迹卡尔曼滤波UKF）。
b. 过程噪声和观测噪声为高斯分布且互不相关。
c. 初始状态和协方差已知。
四、直观类比：以温度估计为例
预测阶段：根据昨日温度和天气模型，预测今日温度为 25℃，并知道该预测的误差范围（如 ±3℃）。
观测阶段：温度计显示 26℃，但已知温度计误差为 ±1℃。
卡尔曼滤波处理：
计算增益：考虑预测误差（3℃）和观测误差（1℃），增益更偏向观测值（如 0.75）；
状态更新：最终估计温度 = 25 + 0.75×(26-25)=25.75℃，误差范围缩小（如 ±0.5℃）。
五、Python示例
import matplotlib matplotlib.use('TkAgg') import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] # 中文支持 plt.rcParams['axes.unicode_minus']=False # 负号显示 def kalman_filter(data, initial_state, initial_covariance, process_variance, measurement_variance): """ 参数: data: 观测数据数组 initial_state: 初始状态估计 initial_covariance: 初始状态协方差 process_variance: 过程噪声方差 measurement_variance: 测量噪声方差 返回: 滤波后的状态估计数组 """ n = len(data) state_estimates = np.zeros(n) state_covariances = np.zeros(n) # 初始化 state_estimates[0] = initial_state state_covariances[0] = initial_covariance for i in range(1, n): # 预测步骤 predicted_state = state_estimates[i - 1] # 假设状态转移为恒等变换 predicted_covariance = state_covariances[i - 1] + process_variance # 更新步骤 kalman_gain = predicted_covariance / (predicted_covariance + measurement_variance) state_estimates[i] = predicted_state + kalman_gain * (data[i] - predicted_state) state_covariances[i] = (1 - kalman_gain) * predicted_covariance return state_estimates # 生成模拟数据 np.random.seed(42) true_values = np.linspace(0, 10, 100) # 真实信号 measurements = true_values + np.random.normal(0, 1, 100) # 带噪声的观测 # 应用卡尔曼滤波 filtered = kalman_filter( data=measurements, initial_state=0, initial_covariance=1, process_variance=0.01, measurement_variance=1 ) # 绘制结果 plt.figure(figsize=(10, 6)) plt.plot(true_values, 'g-', label='真实值') plt.plot(measurements, 'b.', label='带噪声的观测') plt.plot(filtered, 'r-', label='卡尔曼滤波结果') plt.legend() plt.title('卡尔曼滤波示例') plt.xlabel('时间步') plt.ylabel('值') plt.grid(True) plt.show() 
End.
