パラメータ推定（１）最小二乗法 - Qiita
\begin{bmatrix} v_1 & \dot v_1 \\ v_2 & \dot v_2 \\ v_3 & \dot v_3 \\ \vdots & \vdots \end{bmatrix} \begin{bmatrix} m \\ b \end{bmatrix} = \begin{bmatrix} f_1\\f_2\\f_3 \\ \vdots \end{bmatrix} こんな感じになります．サンプリング数を$n_s$とすれば，上の式の行列の行数が$n_s$になります．この式を単純に $$Y\Theta=F$$ とまとめましょう．ここで$Y\in\mathbb{R}^{n_s\times 2}$は観測値行列，$\Theta\in\mathbb{R^2}$が求めたいパラメータの行列，$F\in\mathbb{R}^{n_s}$が入力値行列になります．$Y$と$F$は既知ですので，
パラメータ推定（２）カルマンフィルター - Qiita
はじめに パラメータ推定（１）では，線形最小二乗法によるパラメータ推定について述べてみました．今回は拡張カルマンフィルター（EKF：Extended Kalman Filter）と呼ばれる手法によるパラメータ推定について書きます． 線形最小二乗法は非常に使いやすい推定法ですが，その欠点として 微分値の計算が厄介（別途フィルタリングの設計などが必要） 非線形システムに対応してない などがあります．これをEKFで解決します． ※カルマンフィルターの概要を書いていたらだいぶ長くなってしまったのですが，流れをまとめると モデル化と状態方程式：カルマンフィルターは状態方程式に基づいて設計されので，まずはここから． 離散化とノイズ：これらが加わったときにシステムがどうのように記述されるか，について カルマンフィルタのアルゴリズム：一応書いた方がいいかなと思ったのですが，ほかの方が書いている記事の方が分
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
