Sách hay tham khảo để học Kalman Filter

Tôi hoàn toàn mới với bộ lọc Kalman. Tôi đã có một số khóa học cơ bản về xác suất có điều kiện và đại số tuyến tính. Ai đó có thể đề xuất một cuốn sách hay bất kỳ tài nguyên nào trên web có thể giúp tôi có thể hiểu hoạt động của Bộ lọc Kalman không?

Hầu hết các trang web bắt đầu trực tiếp với công thức và ý nghĩa của chúng, nhưng tôi quan tâm hơn đến đạo hàm của nó, hoặc nếu không phải là dẫn xuất chi tiết thì ít nhất là ý nghĩa vật lý của từng hoạt động và tham số.

Nhiều năm trước tôi đã viết hướng dẫn này trên bộ lọc Kalman. Nó lấy được bộ lọc bằng cách sử dụng cả cách tiếp cận ma trận thông thường cũng như hiển thị các giả định thống kê của nó dưới dạng bộ lọc bình phương tối thiểu 'tối ưu'.

Đây có vẻ là một bài viết hay của bộ lọc Kalman.

Tôi cũng đang tìm kiếm một cuốn sách, tốt nhất để trình bày những điều cơ bản cần có để học và thực hiện lọc kalman trong tình huống thực tế. Cho đến nay tôi đã hoàn thành sự lựa chọn của mình cho điều này:

Nguyên tắc cơ bản của lọc Kalman: Cách tiếp cận thực tế (Tiến bộ trong ngành hàng không và hàng không) của Paul Zarchan

Tôi nghĩ rằng đây nên là một và tôi đang đặt hàng ngay bây giờ. :)

Một loạt video Youtube gồm 3 phần hay (mỗi video khoảng 10 phút) cung cấp sự hiểu biết trực quan về Bộ lọc Kalman.

http://www.youtube.com/watch?v=FkCT_LV9Syk .

Một điều cần lưu ý là có nhiều cách khác nhau để rút ra các phương trình Bộ lọc Kalman và mỗi phương pháp cung cấp cho bạn một quan điểm khác nhau về cách thức hoạt động của nó. Vì vậy, tôi khuyên bạn nên xem xét 2 - 3 dẫn xuất khác nhau để giúp bạn tiếp thu thuật toán này.

Gần đây, Mandic, Danilo P. và Kanna, Sithan và Constantinides, Anthony G. đã xuất bản " Về mối quan hệ nội tại giữa Quảng trường tối thiểu và Bộ lọc Kalman " trên tạp chí xử lý Tín hiệu của IEEE:

Bộ lọc Kalman và bộ lọc thích ứng bình phương nhỏ nhất (LMS) là hai trong số các thuật toán ước tính thích ứng phổ biến nhất thường được sử dụng thay thế cho nhau trong một số ứng dụng xử lý tín hiệu thống kê. Chúng thường được coi là các thực thể riêng biệt, với cái trước đây là sự hiện thực hóa công cụ ước tính Bayes tối ưu và cái sau là một giải pháp đệ quy cho vấn đề lọc Wiener tối ưu. Trong bài giảng này, chúng tôi xem xét một khung nhận dạng hệ thống, trong đó chúng tôi phát triển một viễn cảnh chung về thuật toán lọc Kalman và thuật toán LMS, đạt được thông qua việc phân tích mức độ tự do cần thiết để điều chỉnh độ dốc dốc ngẫu nhiên tối ưu. Cách tiếp cận này cho phép giới thiệu các bộ lọc Kalman mà không có bất kỳ khái niệm nào về thống kê Bayes,

Một cuốn sách rất hay để tìm hiểu Lý thuyết Kalman và triển khai bằng MATLAB có tại đây

Tài nguyên tốt nhất là trang Wikipedia theo ý kiến ​​của tôi. Dưới đây là cách triển khai Bộ lọc Kalman tối thiểu và đơn giản với các ký hiệu tương tự được đưa ra trong trang Wikipedia: https://github.com/zziz/kalman-filter