本文主要是介绍Kalman Filter与RLS的区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1.估计准则
常用的估计准则包括：
- 无偏估计：即假设状态的估计值与真实值的平均值相等。
- 最小二乘估计：不考虑数据的统计特性，如期望，方差等，直接用最小二乘法得到最优估计。
- 误差方差最小：在满足最小二乘估计的同时，使得估计的误差方差最小。这一约束可以通过一系列等价的推导获得，前提是要事先知道测量数据噪声的方差。
简单来说就是，满足误差方差最小必满足误差平方和最小，反之不成立。而无偏估计是最基本假设。
原文链接：https://blog.csdn.net/qinruiyan/article/details/50793114
2.古典最小二乘法（Ordinary Least Square, OLS）
这种方法使用估计值和真值的误差的平方和作为cost function，然后cost function对估计值求偏导就能得到估计值的无偏估计。比较简单，也比较好理解其中的最小二乘LS思想。
3.加权最小二乘估计(Weighted Least Square, WLS)
在古典最小二乘中，假设了每一次测量的权重相同，但事实上这样并不合理。假如一个估计值偏离真实值很远（或者是一个估计值不确定性很大），那么它对估计结果的影响就应该被削弱，反之影响应该加强。加权最小二乘就是做这样的事。
4.递推最小二乘估计(Recursive Least Square, RLS)
至
这篇关于Kalman Filter与RLS的区别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
