آموزش بررسی عمیق فیلتر کالمن خطی (و ردیابی هدف) - آخرین آپدیت

استخراج فیلتر کالمن خطی Deriving the linear Kalman filter

• 2.1.1-خوش‌آمدگویی به دوره 2.1.1: Welcome to the course!

• 2.1.2-مکانیزم پیش‌بینی/تصحیح در استنباط احتمالی متوالی 2.1.2: Predict/correct mechanism of sequential probabilistic inference

• 2.1.3-ضریب بهره فیلتر کالمن 2.1.3: The Kalman-filter gain factor

• 2.1.4-خلاصه‌سازی شش گام استنباط احتمالی متوالی عمومی 2.1.4: Summarizing the six steps of generic sequential probabilistic inference

• 2.1.5-استخراج سه گام پیش‌بینی فیلتر کالمن خطی 2.1.5: Deriving the three linear Kalman-filter prediction steps

• 2.1.6-استخراج سه گام تصحیح فیلتر کالمن خطی 2.1.6: Deriving the three linear Kalman-filter correction steps

• 2.1.7-خلاصه بخش استخراج فیلتر کالمن خطی و گام‌های بعدی 2.1.7: Summary of "Deriving the linear Kalman filter" module plus next steps

بهینه‌سازی و مقاوم‌سازی فیلتر کالمن خطی Making the linear Kalman filter bulletproof

• 2.2.1-چگونه استحکام عددی یک فیلتر کالمن را بهبود ببخشیم؟ 2.2.1: How do we improve the numeric robustness of a Kalman filter?

• 2.2.2-چگونه دقت فیلتر کالمن خطی را افزایش دهیم؟ 2.2.2: How do we increase the precision of the linear Kalman filter?

• 2.2.3-نحوه مقداردهی اولیه و تنظیم فیلتر کالمن 2.2.3: How do I initialize and tune a Kalman filter?

• 2.2.4-در صورت غیرصفر بودن میانگین نویزها چه کنیم؟ 2.2.4: What do we do when the noises are nonzero-mean?

• 2.2.5-در صورت وجود همبستگی متقابل بین نویزهای فرآیند و سنسور چه کنیم؟ 2.2.5: What do I do if the process and sensor noises are cross-correlated?

• 2.2.6-در صورتی که نویزهای فرآیند و سنسور سفید نباشند چه اتفاقی می‌افتد؟ 2.2.6: What about when the process and sensor noises are not white?

• 2.2.7-خلاصه بخش مقاوم‌سازی فیلتر کالمن خطی و گام‌های بعدی 2.2.7: Summary of "Making the linear Kalman filter bulletproof" module plus next steps

توسعه‌ها و اصلاحات فیلترهای کالمن خطی Extensions and refinements to linear Kalman filters

• 2.3.1-تشخیص خودکار اندازه‌گیری‌های نادرست با فیلتر کالمن 2.3.1: Automatically detecting bad measurements with a Kalman filter

• 2.3.2-پردازش متوالی اندازه‌گیری‌ها برای سیستم‌های چند خروجی 2.3.2: Processing measurements sequentially for multi-output systems

• 2.3.3-استفاده از فیلتر کالمن برای پیش‌بینی 2.3.3: Using the Kalman filter for prediction

• 2.3.4-استفاده از فیلتر کالمن برای هموارسازی (Smoothing) 2.3.4: Using the Kalman filter for smoothing

• 2.3.5-فیلترهای کالمن حالت پایدار 2.3.5: Steady-state Kalman filters

• 2.3.6-فیلترهای کالمن زمان پیوسته 2.3.6: Continuous-time Kalman filters

• 2.3.7-خلاصه بخش توسعه‌ها و اصلاحات فیلترهای کالمن خطی و گام‌های بعدی 2.3.7: Summary of "Extensions and refinements to linear Kalman filters" module plus next steps

کاربرد ردیابی هدف با استفاده از فیلتر کالمن خطی Target-tracking application using a linear Kalman filter

• 2.4.1-برخی ویژگی‌های منحصر به فرد در کاربرد ردیابی هدف 2.4.1: Some unique features of the target-tracking application

• 2.4.2-ردیابی با اندازه‌گیری‌های قطبی و حالت دکارتی 2.4.2: Tracking with polar measurements and a Cartesian state

• 2.4.3-فیلتر کالمن مدل‌های چندگانه متقابل (IMM) 2.4.3: The interacting-multiple-model Kalman filter

• 2.4.4-پیاده‌سازی فیلتر کالمن IMM در Octave 2.4.4: Implementing the IMM Kalman filter in Octave

• 2.4.5-فیلترهای ردیابی هدف آلفا-بتا-گاما در حالت پایدار 2.4.5: Steady-state alpha-beta-gamma target-tracking filters

• 2.4.6-خلاصه بخش کاربرد ردیابی هدف با فیلتر کالمن خطی و گام‌های بعدی 2.4.6 :Summary of "Target-tracking application using a linear Kalman filter" module plus next steps