我正在努力为应用程序添加一个简单的1-D卡尔曼滤波器，以处理一些噪声输入数据并输出清晰的结果。
我使用的示例代码来自this tutorial和this python code的单变量示例部分。
这对于计算结果值非常有效，但是，当我第一次阅读关于卡尔曼滤波器时，我的印象是它们也可以用于测量多少＆＃34;错误＆＃34;在输入中。
作为一个例子，假设我测量的值为10，但我的输入有很多错误。我的输入数据可能看起来像6,11,14,5,19,5等（一些高斯分布在10左右）。
但是我说切换到噪声较小的测量，测量值分别为9.7,10.3,10.1,10.0,9.8,10.1。
在这两种情况下，卡尔曼滤波器理论上会收敛到10的正确测量值。我想要的是它还能给我一些数值来估算这些数据流中有多少误差。
我相信使用卡尔曼滤波器应该很有可能，但是，我很难找到描述这种情况的资源。我怎么能这样做？
答案 0 :(得分：3)
事实上情况正好相反：KF对您的过程噪音的估计完全不受您的数据的影响。如果您查看KF的预测/更新步骤，您会发现P项永远不会受到您的状态或测量的影响。它是根据 对加性过程噪声Q的估计和 对测量噪声R的估计来计算的。
如果您有数据集并想要测量它，您可以计算其均值和方差（这是您的状态和过程协方差所代表的）。如果您正在谈论输入，那么您正在谈论测量样本的方差以设置R。
如果您的实际输入测量实际上比预期的噪声低，那么您将获得较少的噪声状态，但是如果您在R中正确设置了预期，则延迟时间会更长。
在正在运行的过滤器中，您可以查看您的创新顺序（预测和实际测量之间的差异），并将它们与您预测的创新协方差进行比较（通常称为S，尽管有时直接作为K的分母直接滚动）。
答案 1 :(得分：0)
卡尔曼滤波器不会测量输入中有多少“误差”。您只会得到估计输出的误差。
为什么不使用online algorithm来计算输入的方差？