比浏览器更快的访问！
11 关系: 卡尔曼滤波，参数，估计量，依概率收敛，统计学，维纳滤波，随机变量，误差，样本空间，期望值，最大似然估计。
卡尔曼滤波
卡尔曼滤波（Kalman filter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含雜訊的测量中，估计动态系统的状态。卡尔曼滤波會根據各測量量在不同時間下的值，考慮各時間下的联合分布，再產生對未知變數的估計，因此會以只以單一測量量為基礎的估計方式要準。卡尔曼濾波得名自主要貢獻者之一的鲁道夫·卡尔曼。 卡尔曼滤波在技術領域有許多的應用。常見的有飛機及太空船的。卡尔曼滤波也廣為使用在時間序列的分析中，例如信号处理及计量经济学中。卡尔曼滤波也是機器人運動規劃及控制的重要主題之一，有時也包括在。卡尔曼滤波也用在中軸神經系統運動控制的建模中。因為從給與運動命令到收到感覺神經的回授之間有時間差，使用卡尔曼滤波有助於建立符合實際的系統，估計運動系統的目前狀態，並且更新命令。 卡尔曼滤波的演算法是二步驟的程序。在估計步驟中，卡尔曼滤波會產生有關目前狀態的估計，其中也包括不確定性。只要觀察到下一個量測（其中一定含有某種程度的誤差，包括隨機雜訊）。會透過加權平均來更新估計值，而確定性越高的量測加權比重也越高。演算法是迭代的，可以在中執行，只需要目前的輸入量測、以往的計算值以及其不確定性矩陣，不需要其他以往的資訊。 使用卡尔曼滤波不用假設誤差是正态分布，不過若所有的誤差都是正态分布，卡尔曼滤波可以得到正確的條件機率估計。 也發展了一些擴展或是廣義的卡尔曼滤波，例如運作在非線性糸統的及无损卡尔曼滤波（unscented Kalman filter）。底層的模型類似隐马尔可夫模型，不過的狀態空間是連續的，而且所有潛在變量及可觀測變數都是正态分布.
参数
在数学和统计学裡，参数（parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。在不同的语境里这一术语可能有特殊用途。.
估计量
在统计学中，估计量是基于观测数据计算一个已知量的估计值的法则：于是估计量（estimator）、被估量（estimand）和估计值（estimate）是有区别的。 估计量用来估计未知总体的参数，它有时也被称为估计子；一次估计是指把这个函数应用在一组已知的数据集上，求函数的结果。对于给定的参数，可以有许多不同的估计量。我们通过一些选择标准从它们中选出较好的估计量，但是有时候很难说选择这一个估计量比另外一个好。.
依概率收敛
在概率论中，依概率收敛是随机变量收敛的方式之一。一个随机变量序列(X_n)_ 依概率收敛到某一个随机变量X，指的是X_n 和X 之间存在一定差距的可能性将会随着n 的增大而趋向于零。 依概率收敛是测度论中的依测度收敛概念在概率论中的特例。.
统计学
统计学是在資料分析的基础上，研究测定、收集、整理、归纳和分析反映數據資料，以便给出正确訊息的科學。這一门学科自17世纪中叶产生并逐步发展起来，它廣泛地應用在各門學科，從自然科学、社會科學到人文學科，甚至被用於工商業及政府的情報決策。隨著大数据(Big Data)時代來臨，統計的面貌也逐漸改變，與資訊、計算等領域密切結合，是資料科學(Data Science)中的重要主軸之一。 譬如自一組數據中，可以摘要並且描述這份數據的集中和離散情形，這個用法稱作為描述統計學。另外，觀察者以數據的形態，建立出一個用以解釋其隨機性和不確定性的數學模型，以之來推論研究中的步驟及母體，這種用法被稱做推論統計學。這兩種用法都可以被稱作為應用統計學。數理統計學则是討論背後的理論基礎的學科。.
维纳滤波
维纳滤波是美國應用數學家諾伯特·維納（Norbert Wiener）在二十世纪四十年代提出的一种滤波器，并在1949年出.
随机变量
給定樣本空间(S, \mathbb)，如果其上的實值函數 X:S \to \mathbb是\mathbb (實值)可測函數，则稱X為（實值）随机变量。初等概率論中通常不涉及到可測性的概念，而直接把任何X:S \to \mathbb的函數稱為随机变量。 如果X指定给概率空间S中每一个事件e有一个实数X(e)，同时针对每一个实数r都有一个事件集合A_r与其相对应，其中A_r.
误差
误差(errors)是实验科学术语。指测量结果偏离真值的程度。对任何一个物理量进行的测量都不可能得出一个绝对准确的数值，即使使用测量技术所能达到的最完善的方法，测出的数值也和真实值存在差异，这种测量值和真实值的差异称为误差。數值計算分为绝对误差和相对误差。也可以根据误差来源分为系统误差（又称可定誤差、已定誤差）、随机误差（又称机会误差、未定誤差）和毛誤差(又稱粗差)。.
样本空间
概率论中，样本空间是一个实验或随机试验所有可能结果的集合，而随机试验中的每个可能结果稱為样本点。通常用S、\Omega或U表示。例如，如果抛掷一枚硬币，那么样本空间就是集合。如果投掷一个骰子，那么样本空间就是\。 有些实验有兩个或多个可能的样本空间。例如，从没有鬼牌的52张扑克牌中随机抽出一张，一个可能的样本空间是数字（A到K）（包括13个元素），另外一个可能的样本空间是花色（黑桃，红桃，梅花，方块）（包括4个元素）。如果要完整地描述一张牌，就需要同时给出数字和花色，这时的样本空间可以通过构建上述两个样本空间的笛卡儿乘积来得到。 在初等概率中，样本空间的任何一个子集都被称为一个事件。如果一个子集只有一个元素，那这个子集被称为基本事件。但當樣本空間大小是無限的時候，這個定義就不可行，因此要給出一個更準確的定義。只有可測子集才稱為事件，這些可測子集且要構成樣本空間上的σ-代数。然而這樣定義的重要性只是從理論上而言的，因為σ-代数在實際應用上可以定義為所有集的集合。 样本空间里可以进行加法运算，可以进行数乘（除）运算。 可以求平均值。.
期望值
在概率论和统计学中，一个离散性随机变量的期望值（或数学期望、或均值，亦简称期望，物理学中称为期待值）是试验中每次可能的结果乘以其结果概率的总和。换句话说，期望值像是随机试验在同样的机会下重复多次，所有那些可能狀態平均的结果，便基本上等同“期望值”所期望的數。需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。（换句话说，期望值是该变量输出值的平均数。期望值并不一定包含于变量的输出值集合裡。） 例如，掷一枚公平的六面骰子，其每次「點數」的期望值是3.5，计算如下： \operatorname(X)&.
最大似然估计
在统计学中，最大似然估计（maximum likelihood estimation，缩写为MLE），也称最大概似估计，是用来估计一个概率模型的参数的一种方法。.
新！!: 估计量和最大似然估计 · 查看更多 »
