Kalman滤波原理及算法
卡尔曼滤波算法原理
卡尔曼滤波算法原理一、引言卡尔曼滤波（Kalman Filtering）是一种数学方法，用于模拟系统的状态并估计它的未来状态。
它在模拟和估计过程中可以融合各种不同类型的信息，使它们变得更准确，同时也可以处理噪声和不确定性。
卡尔曼滤波算法是一种用于处理系统和测量噪声较大的现实世界中的信号的有用工具，其应用范围涵盖了科学，工程和技术，广泛应用于航空、语音处理、图像处理、机器人、控制、通信和其他领域。
二、原理卡尔曼滤波算法基于两个假设：1. 系统的未来状态只取决于它当前的状态。
2. 测量噪声是有规律的，可以用统计方法进行估计。
卡尔曼滤波算法通过利用当前的状态估计和测量结果来更新估计值，从而利用历史数据改善未来状态的估计。
卡尔曼滤波算法通过两个步骤来实现：预测和更新。
预测步骤：预测步骤基于当前的状态估计值，使用模型计算出未来状态的估计值，这一步骤称为预测步骤，是融合当前状态估计值和模型之间的过程。
更新步骤：在更新步骤中，将估计的状态与测量的状态进行比较，并根据测量值对估计值进行调整，从而使估计值更准确。
三、应用卡尔曼滤波算法被广泛应用于航空、语音处理、图像处理、机器人、控制、通信等多个领域，可以用于估计各种复杂的系统状态，如航空器的位置和姿态、机器人的位置和速度、复杂的动力学系统的状态和参数、图像跟踪算法的参数等。
卡尔曼滤波算法也被广泛用于经济分析和金融预测，用于对市场的行为及其影响进行预测，以便更有效地做出决策。
四、结论卡尔曼滤波算法是一种有效的数学方法，可以有效地处理系统和测量噪声较大的现实世界中的信号，并在多个领域得到广泛应用，如航空、语音处理、图像处理、机器人、控制、通信等，也被广泛用于经济分析和金融预测。
卡尔曼滤波算法基本原理
卡尔曼滤波算法基本原理一、概述卡尔曼滤波算法是一种基于线性系统状态空间模型的递归滤波算法，主要用于估计含有噪声的测量数据，并能够有效地消除噪声对估计的影响，提高估计精度。
本篇文章将详细介绍卡尔曼滤波算法的基本原理。
二、基本原理1.状态方程：卡尔曼滤波算法基于线性系统状态空间模型，该模型可以用状态方程来表示。
状态方程通常包含系统的内部状态、输入和输出，可以用数学公式表示为：x(t+1)=Ax(t)+Bu(t)+w(t)。
其中，x(t)表示系统内部状态，u(t)表示输入，w(t)表示测量噪声。
2.测量方程：测量数据通常受到噪声的影响，卡尔曼滤波算法通过建立测量方程来处理噪声数据。
测量方程通常表示为：z(t)=h(x(t))+v(t)，其中z(t)表示测量数据，h(x(t))表示系统输出，v(t)表示测量噪声。
3.卡尔曼滤波算法：卡尔曼滤波算法通过递归的方式，根据历史状态和测量数据来估计当前系统的内部状态。
算法的核心是利用过去的估计误差和测量误差来预测当前的状态，并不断更新估计值，以达到最优估计的效果。
卡尔曼滤波算法主要包括预测和更新两个步骤。
预测步骤根据状态方程和上一步的估计值，预测当前的状态；更新步骤则根据当前的测量数据和预测值，以及系统协方差矩阵，来更新当前状态的估计值和系统协方差矩阵。
4.滤波器的选择：在实际应用中，需要根据系统的特性和噪声的性质来选择合适的卡尔曼滤波器。
常见的滤波器有标准卡尔曼滤波器、扩展卡尔曼滤波器等。
选择合适的滤波器可以提高估计精度，降低误差。
三、应用场景卡尔曼滤波算法在许多领域都有应用，如航空航天、自动驾驶、机器人控制等。
在上述领域中，由于系统复杂、噪声干扰大，使用卡尔曼滤波算法可以有效地提高系统的估计精度和控制效果。
四、总结卡尔曼滤波算法是一种基于线性系统状态空间模型的递归滤波算法，通过预测和更新的方式，能够有效地消除噪声对估计的影响，提高估计精度。
本篇文章详细介绍了卡尔曼滤波算法的基本原理和应用场景，希望能对大家有所帮助。
卡尔曼滤波_卡尔曼算法
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。
扩展Kalman滤波算法原理及应用
扩展Kalman滤波算法原理及应用随着科技的发展，各种传感器和控制系统的应用越来越广泛，很多智能化的设备需要使用滤波算法，提高其精度和鲁棒性。
在滤波算法中，扩展Kalman滤波（EKF）算法是一种非常常用的算法，可以广泛应用于各种工程领域，如自动控制、机器人导航、图像处理等，本文将介绍EKF算法的原理、特点以及应用。
一、Kalman滤波算法简介Kalman滤波算法是一种常用的状态估计算法，具有优秀的滤波效果。
它是由R.E. Kalman于1960年提出的，主要用于随机信号的滤波和估计。
Kalman滤波是一种基于线性系统和高斯噪声模型的最优估计算法。
它通过对样本点之间的关系建立一个能够描述它们在时间上的演变的状态模型，并根据观测值推算出状态量的概率分布，然后利用这个分布，根据Bayes公式进行矫正，得到最终的估计值。
二、扩展Kalman滤波算法原理扩展Kalman滤波算法是对Kalman滤波算法的一种改进，主要应用于非线性系统的估计。
与Kalman滤波相比，EKF基本思想是通过在预测和更新阶段线性化非线性系统模型来解决非线性系统问题。
EKF的步骤如下：1.定义状态变量向量：通过时间t来定义系统状态x（t），包含系统的全部状态信息。
2.建立状态转移方程：利用状态向量和噪声过程，建立状态转移方程，描述系统在各时间点的演变规律。
3.定义观测变量向量：通过时间t来定义系统的观测值Y（t），包含应用于系统的观测传感器的测量信息。
4.建立系统量测方程：通过状态转移方程和状态向量，以及观测传感器测量值，建立系统量测方程。
5.系统预测：预测状态的无偏估计值和方差。
6.状态更新：利用观测数据校正预测状态的无偏估计值和方差。
以上步骤在线性系统中都是可直接实现的，但非线性系统由于噪声，量测误差和模型误差等原因，使得状态转移方程和系统量测方程无法直接用之前的线性方程来解决。
因此，EKF在预测和更新过程中，均采用泰勒展开式对非线性芯片进行线性化处理，通过对状态转移和系统量测方程进行一阶泰勒展开，将非线性函数在某点的值近似为线性函数的值，从而得到线性化的状态转移方程和系统量测方程。
卡尔曼滤波算法原理
卡尔曼滤波算法原理卡尔曼滤波(Kalman Filter)是一种用来估计系统状态的算法。
它基于对系统的数学模型和测量数据进行分析，通过使用贝叶斯统计推断来计算系统当前的最优状态估计。
卡尔曼滤波算法在控制系统、导航系统、机器人学、图像处理等领域有广泛的应用。
卡尔曼滤波算法的原理可以概括为以下几步：1. 系统建模：首先，需要建立系统的数学模型，包括系统的动态方程和观测方程。
动态方程描述了系统状态的演化规律，而观测方程则描述了系统状态与测量值之间的关系。
这些方程通常以线性高斯模型表示，即系统的状态和测量误差符合高斯分布。
2. 初始化：在开始使用卡尔曼滤波算法之前，需要对系统状态进行初始化。
这包括初始化系统状态的均值和协方差矩阵。
通常情况下，均值可以通过先验知识来估计，而协方差矩阵可以设置为一个较大的值，表示对系统状态的初始不确定性较大。
3. 预测：在每一次测量之前，需要对系统的状态进行预测。
预测过程基于系统的动态方程，将上一时刻的状态估计作为输入，得到当前时刻的状态的先验估计。
预测的结果是一个高斯分布，其均值和协方差矩阵表示了对当前状态估计的不确定性。
4. 测量更新：当获取了新的测量值时，需要将其与预测结果进行比较，以修正对系统状态的估计。
测量更新过程基于系统的观测方程，将预测的状态估计与实际的测量值进行比较，得到对系统状态的最优估计。
测量更新的结果也是一个高斯分布，其均值和协方差矩阵表示了对当前状态估计的不确定性。
5. 迭代：在每一次测量更新之后，会得到对系统状态的最优估计。
然后，可以根据当前估计的状态再次进行预测，并等待下一次的测量更新。
这样，通过不断地迭代，卡尔曼滤波算法可以逐步提高对系统状态的估计精度。
卡尔曼滤波算法的核心思想是将动态方程和观测方程结合起来，使用贝叶斯推断的方法进行状态估计。
通过动态方程对系统进行预测，再通过观测方程修正预测结果，从而得到对系统状态的最优估计。
卡尔曼滤波算法在估计过程中考虑了对系统状态的不确定性，通过动态预测和测量更新不断修正对系统状态的估计结果，达到更准确的状态估计。
卡尔曼滤波器算法
卡尔曼滤波器算法卡尔曼滤波器算法是一种常见的数据处理算法，它能够通过对数据进行滤波，去除噪声和干扰，提高数据质量，广泛应用于各个领域。
本文将对卡尔曼滤波器算法进行详细介绍，包括其原理、应用场景以及实现方法。
一、卡尔曼滤波器算法的原理卡尔曼滤波器算法的原理是基于贝叶斯概率理论和线性系统理论的。
其核心思想是通过对系统状态的不断测量和预测，根据预测值和实际值之间的误差来调整状态估计值，从而获得更准确的状态估计结果。
具体来说，卡尔曼滤波器算法可以分为两个步骤：预测和更新。
1. 预测步骤在预测步骤中，通过上一时刻的状态估计值和状态转移矩阵对当前时刻的状态进行预测。
状态转移矩阵是描述系统状态变化的数学模型，可以根据实际情况进行定义。
2. 更新步骤在更新步骤中，通过测量值和状态预测值之间的误差，计算出卡尔曼增益，从而根据卡尔曼增益调整状态估计值。
卡尔曼增益是一个比例系数，它的大小取决于预测误差和测量误差的比例。
二、卡尔曼滤波器算法的应用场景卡尔曼滤波器算法具有广泛的应用场景，下面列举几个常见的应用场景：1. 飞机导航系统在飞机导航系统中，卡尔曼滤波器算法可以通过对飞机的位置、速度和姿态等参数进行滤波，提高导航的准确性和精度。
2. 机器人控制系统在机器人控制系统中，卡尔曼滤波器算法可以通过对机器人的位置、速度、姿态和力量等参数进行滤波，提高机器人的控制精度和稳定性。
3. 多传感器融合系统在多传感器融合系统中，卡尔曼滤波器算法可以通过对多个传感器的数据进行滤波和融合，提高数据质量和精度。
三、卡尔曼滤波器算法的实现方法卡尔曼滤波器算法的实现方法具有一定的复杂性，下面介绍一般的实现步骤：1. 定义状态向量和状态转移矩阵根据实际情况，定义状态向量和状态转移矩阵，描述系统状态的变化规律。
2. 定义测量向量和观测矩阵根据实际情况，定义测量向量和观测矩阵，描述传感器测量数据与状态向量之间的联系。
3. 计算预测值和预测误差协方差矩阵根据状态向量、状态转移矩阵和误差协方差矩阵，计算预测值和预测误差协方差矩阵。
卡尔曼滤波的原理与应用pdf
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
卡尔曼滤波原理卡尔曼滤波（Kalman Filtering）是一种用于估计、预测和控制的最优滤波方法，由美国籍匈牙利裔数学家卡尔曼（Rudolf E. Kalman）在1960年提出。
卡尔曼滤波是一种递归滤波算法，通过对测量数据和系统模型的融合，可以得到更准确、更可靠的估计结果。
在各种应用领域，如导航、机器人、航空航天、金融等，卡尔曼滤波都被广泛应用。
1. 卡尔曼滤波的基本原理卡尔曼滤波的基本原理是基于状态空间模型，将系统的状态用随机变量来表示。
它假设系统的状态满足线性高斯模型，并通过线性动态方程和线性测量方程描述系统的演化过程和测量过程。
具体而言，卡尔曼滤波算法基于以下两个基本步骤进行：1.1 预测步骤：通过系统的动态方程预测当前时刻的状态，并计算预测的状态协方差矩阵。
预测步骤主要是利用前一时刻的状态和控制输入来预测当前时刻的状态。
1.2 更新步骤：通过系统的测量方程，将预测的状态与实际测量值进行融合，得到最优估计的状态和状态协方差矩阵。
更新步骤主要是利用当前时刻的测量值来修正预测的状态。
通过不断迭代进行预测和更新，可以得到连续时间上的状态估计值，并获得最优的估计结果。
2. 卡尔曼滤波的优势卡尔曼滤波具有以下几个优势：2.1 适用于线性系统与高斯噪声：卡尔曼滤波是一种基于线性高斯模型的滤波方法，对于满足这些条件的系统，卡尔曼滤波能够给出最优的估计结果。
2.2 递归计算：卡尔曼滤波是一种递归滤波算法，可以在每个时刻根据当前的测量值和先前的估计结果进行迭代计算，不需要保存过多的历史数据。
2.3 最优性：卡尔曼滤波可以通过最小均方误差准则，给出能够最优估计系统状态的解。
2.4 实时性：由于卡尔曼滤波的递归计算特性，它可以实时地处理数据，并及时根据新的测量值进行估计。
3. 卡尔曼滤波的应用卡尔曼滤波在多个领域都有广泛的应用，以下是一些典型的应用例子：3.1 导航系统：卡尔曼滤波可以用于导航系统中的位置和速度估计，可以结合地面测量值和惯性测量传感器的数据，提供精确的导航信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Kalman滤波原理及算法
kalman滤波器
一(什么是卡尔曼滤波器
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, 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)。
二.卡尔曼滤波器算法的介绍
以下是卡尔曼滤波器核心的5个式子。
X(k|k-1)=A X(k-1|k-1)+B U(k) (1)
P(k|k-1)=A P(k-1|k-1) A’+Q (2)
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3)
Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)
P(k|k)=(I-Kg(k) H)P(k|k-1) (5)
下面我们详细介绍卡尔曼滤波的过程。
首先，我们要引入一个离散控制过程的系统。
该系统可用一个线性随机微分方程来描述:
X(k)=A X(k-1)+B U(k)+W(k)
再加上系统的测量值:
Z(k)=H X(k)+V(k)
上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。
A和B是系统参数，对于多模型系统，他们为矩阵。
Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。
W(k)和V(k)分别表示过程和测量的噪
声。
他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance分别是Q，R(这里我们假设他们不随系统状态变化而变化)。
对于满足上面的条件(线性随机微分系统，过程和测量都是高斯白噪声)，卡尔曼滤波器是最优的信息处理器。
下面我们来用他们结合他们的covariances来估算系统的最优化输出。
首先我们要利用系统的过程模型，来预测下一状态的系统。
假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态: X(k|k-1)=A X(k-1|k-1)+B U(k) (1)
式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。
到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的covariance还没更新。
我们用P表示covariance:
P(k|k-1)=A P(k-1|k-1) A’+Q (2)
式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k-1)是X(k-1|k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程的covariance。
式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。
现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。
结合预测值
的最优化估算值X(k|k): 和测量值，我们可以得到现在状态(k)
X(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1)) (3)
其中Kg为卡尔曼增益(Kalman Gain):
Kg(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) (4)
到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。
但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance:
P(k|k)=(I-Kg(k) H)P(k|k-1) (5)
其中I为1的矩阵，对于单模型单测量，I=1。
当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。
这样，算法就可以自回归的运算下去。
卡尔曼滤波器的原理基本描述了，式子1，2，3，4和5就是他的5个基本公式。
根据这5个公式，可以很容易的实现计算机的程序。
三.卡尔曼滤波器的一个简单例子
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。
(1)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是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5)----公式(2)
(2)然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。
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(3)
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)。
(4)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。
当然，为了令卡尔曼滤波器开始工作，我们需要告诉卡尔曼两个零时刻的初始值，是X(0|0)和P(0|0)。
他们的值不用太在意，随便给一个就可以了，因为随着卡尔曼的工作，X会逐渐的收敛。
但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X(0|0)是系统最优的，从而使算法不能收敛。