快速卡尔曼滤波器
Fast Kalman Filter
我想知道是否有人可以给我一个指向真正 fast/efficient 卡尔曼滤波器实现的指针，可能在 Python（或 Cython，但 C/C++ 如果它是快多了）。我有很多学习时期（可能数亿）和许多输入（提示；比如说，在几万到几十万之间）的问题。因此，更新协方差矩阵将是一个大问题。我阅读了一些关于 Ensemble KF 的内容，但是，就目前而言，我真的很想坚持使用标准 KF。 [ 我开始阅读和测试它，我想用我的真实数据试一试。 ]
协方差矩阵的大小由您所在州的大小决定。另一个问题与您的模型假设有关，以及这是否可以带来显着的优化（显然，优化意味着重新处理 "standard KF"）。
从我的角度来看，你的情况大致取决于值(number_of_states² * number_of_iterations)/(processing_power).
如果你每次更新有很多测量值，你应该看看卡尔曼滤波器的信息表。每个额外的测量只是加法。权衡是一个更复杂的预测步骤，以及每当你想得到你的状态时反转信息矩阵的成本。
我想知道是否有人可以给我一个指向真正 fast/efficient 卡尔曼滤波器实现的指针，可能在 Python（或 Cython，但 C/C++ 如果它是快多了）。我有很多学习时期（可能数亿）和许多输入（提示；比如说，在几万到几十万之间）的问题。因此，更新协方差矩阵将是一个大问题。我阅读了一些关于 Ensemble KF 的内容，但是，就目前而言，我真的很想坚持使用标准 KF。 [ 我开始阅读和测试它，我想用我的真实数据试一试。 ]
协方差矩阵的大小由您所在州的大小决定。另一个问题与您的模型假设有关，以及这是否可以带来显着的优化（显然，优化意味着重新处理 "standard KF"）。
从我的角度来看，你的情况大致取决于值(number_of_states² * number_of_iterations)/(processing_power).
如果你每次更新有很多测量值，你应该看看卡尔曼滤波器的信息表。每个额外的测量只是加法。权衡是一个更复杂的预测步骤，以及每当你想得到你的状态时反转信息矩阵的成本。