好的，我需要做的是：
我想使用卡尔曼滤波器进行一些跟踪（可能是自适应的）。我的测量（当它们可用时）非常好，实际测量的误差非常小。在某些情况下，虽然测量值会跳到一个值，但是从我正在寻找的正确位置完全偏离，然后在几帧之后回到正确的位置。
问题在于，如果我的滤波器（非自适应）具有测量噪声协方差（R）和状态误差协方差（Q）矩阵的特定值，则结果不是很准确，因为即使对于这些1％的情况，我也必须在R和Q之间做出妥协。
所以我决定使用自适应卡尔曼滤波器，如下所示：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.367.1747&rep=rep1&type=pdf
他们基于创新序列估计测量噪声协方差矩阵。 基本上，他们在先前的样本上使用移动窗口并且计算先前测量 - 先前估计之间的误差的协方差。对于例如5次过去的测量和5次先前的估计。当窗口下方的测量错误时，协方差增加，因此R也增加。
但实际上R增加（但不够）所以在下一步中，估计仍然很好但只是有点朝向错误的测量。在下一步（因为现在先前的估计已经朝着一点点走向测量）R变小，结果新的估计更接近测量，依此类推。
在几帧之后的最后估计遵循错误的测量。这是一个更好地理解我的意思的情节。
https://www.dropbox.com/s/rkv0tjcm4s54kv3/untitled.tif
也许我想要做的事情是完全错误的，并且不能用自适应卡尔曼滤波器来完成。可能是过去曾与卡尔曼滤波器广泛合作的人，他在遇到这个问题之前可以提供帮助。
欢迎任何想法！
答案 0 :(得分：1)
在回答之前，我想确定我遇到了你正确的问题。
您有测量，其中一些是好的（低测量噪音），而另一些是异常值 您遇到的问题是调整测量噪声协方差矩阵。
实际上，你需要调整好的测量值 使用误差协方差来拒绝异常值测量。 如果创新超出椭圆，您使用误差协方差矩阵定义测量被拒绝 每当测量被拒绝时，您只需再次应用预测步骤并等待另一次测量。
答案 1 :(得分：0)
是的，问题就是这个。
然而我设法解决它而不需要定义任何椭圆。我正在做的是正确的，除非我有很多（比方说是五十个）连续异常值的事实不起作用。
如果您考虑窗户的大小，这是正常的。例如，只有10个样本而且您有20个异常值，显然它不会起作用。但是连续5个异常值工作得很好。一般我没有＆＃39 ; t建议使用任何阈值（＆＃34;如果创新落在椭圆之外＆＃34;）拒绝测量。我保持测量但是在我开始有异常值的同时，误差测量协方差变得非常大因此，估计更多地基于先前的估计而不是当前的测量。
如果我使用的方法确实更合乎逻辑（拒绝当前测量，如果它是基于阈值的异常值）我有一个问题，我必须先验地定义这个阈值，对吗？也许我错过了某些东西..