Я прошел через концепцию 1D фильтра Калмана, но они в основном концентрируются на уравнениях, сформированных из гауссовых распределений, где они использовали уравнения на рисунке Уравнения гауссовского распределения (их можно найти в следующие ссылки: Pyata 1D Kalman Filter , 1D Kalman Filter , Sensor Fusion ). У меня есть несколько вопросов:
Вопрос 1:
Как я могу формировать состояния прогнозирования и обновления с другими дистрибутивами? (например, распределение Брэдфорда) Я изучил распределение Брэдфорда и нашел этот веб-сайт (ссылка: Распределение Бардфорда с уравнениями ), но я не уверен, что я просто получу средства для состояний и использую уравнения в ссылках выше, чтобы получить среднее значение и дисперсию состояния прогнозирования и обновления, или мне нужно сформулировать новое уравнение для состояния прогнозирования и обновления, или я использую формулу scipy stats, чтобы получить значения статистики для среднего значения и дисперсии?
Вопрос 2:
Как реализовать байесовский фильтр для дистрибутивов?
Редактировать 1:
Я посмотрел на фильтр Калмана и обнаружил, что лучшим для работы с негауссовым распределением является фильтр Калмана без запаха, но он работает с система Как можно сделать нелинейную систему линейной, чтобы внедрить одномерные данные в фильтр Калмана без запаха?