想求最小生成树，我们首先得弄懂以下几个概念 连通图:图中任意两个顶点都是连通的极小连通子图:既要保持图连通又要使得边数最少的子图生成树:包含图中全部顶点的一个极小连通子图连通图用通俗的话来讲就是，某一个顶点，可以直接或者间接（通过其他顶点）到达图上的所有顶点而在相邻2个顶点的每一条边都可以被赋予一定的权值，求最小生成树就是在原来被赋予权值连通图上，先暂时去掉所有边，通过某种算法，构造出 边数最少，所有边权值和最小的生成树这样的树被称为，最小生成树我们这样用两种算法去解答，分别是Prim（普里姆）算法和Kruskal（克鲁斯卡尔）算法 Prim（普里姆）（1）首先，任取一个点，比如说取节点1，

文章目录前言一、转换公式笔记二、度数转弧度函数三、坐标系转换函数四、总结前言前段时间做实验的时候用到经纬度坐标转笛卡尔坐标，在CSDN找了一下并整理成转换函数，现在找不到文章出处了，如有知道的麻烦告诉我，我好注明出处，谢谢。一、转换公式笔记为方便编公式，把整个转换公式拆分成几个部分：A、BB、C、D。公式如下：二、度数转弧度函数例：180°转弧度制rad=deg2rad(180)三、坐标系转换函数新建脚本，复制代码，保存文件命名为“LL3XY”至matlab搜索路径下。%X：水平直角坐标，单位为千米(km);%Y：纵向直角坐标，单位为千米(km);%B：纬度，单位为弧度(rad);%L：经度，

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。🍎个人主页：海神之光🏆代码获取方式：海神之光Matlab王者学习之路—代码获取方式⛳️座右铭：行百里者，半于九十。更多Matlab仿真内容点击👇Matlab图像处理（进阶版）路径规划（Matlab）神经网络预测与分类（Matlab）优化求解（Matlab）语音处理（Matlab）信号处理ÿ

系列文章目录·【算法系列】卡尔曼滤波算法·【算法系列】非线性最小二乘求解-直接求解法·【算法系列】非线性最小二乘求解-梯度下降法·【算法系列】非线性最小二乘-高斯牛顿法 ·【算法系列】非线性最小二乘-列文伯格马夸尔和狗腿算法 文章目录系列文章文章目录前言一、通俗解释二、数学推导1.问题建模2.推导过程（1）数学准备（2）具体推导3.实际应用总结前言如果信号中的某些频段混入了噪声，可以用低通滤波器、高通滤波器等对这些噪声进行过滤，但当信号中要是混入了白噪声这种没有明显频率段的噪声，这种滤波器的效果将会大大下降，这时就需要采用统计学的方法对信号进行估计，同时采用某种统计准则来衡量估计的误差，使得误

一、状态空间描述中两处噪声的理论假设首先放出基本公式状态方程：x(k)=Ax(k-1)+Bu(k-1)+w(k-1)观测方程：y(k)=Cx(k)+v(k)其中，w(k-1)为过程噪声，通常记作Q，v(k)为观测噪声，通常记作R。标准卡尔曼滤波对于Q和R的要求主要有四点：1.互不相关2.零均值3.高斯白噪声序列4.Q，R分别是已知值的非负定阵和正定阵也即： 其中：二、两处噪声如何从工程应用中获取过程噪声Q：构建所研究问题的“理想状态”，与实际情况进行对比实验，用所得的样本方差作为Q例如研究滑块运动时，可以将在相对光滑表面的运动数据作为理想情况，与实际粗糙表面的情况进行对比；或是控制一个无人小车

卡尔曼滤波实例——均加速运动的卡尔曼滤波此系列（一）对卡尔曼滤波的原理进行了简单的阐述，总结了卡尔曼滤波的两大过程：预测和更新。接下来举例对卡尔曼滤波的使用进行介绍，加深对卡尔曼滤波的理解。均加速小车的状态估计（位置和速度）1.场景介绍如上图所示，可知小车的初始速度为0，初始位置也为0，小车向前的加速度为1,小车感知自身状态（位置）是通过GPS完成的，而GPS的精度较低，其探测精度的方差为10；且在这个系统中还存在着其他影响小车运动的因素，如风阻，地面摩擦力和其他环境因素等等，所以我们不能完全通过GPS的测量完成对小车的定位，这种情况下，卡尔曼滤波闪亮登场。为了完成对小车的定位（状态估计），首

1、马尔科夫参考：https://zhuanlan.zhihu.com/p/4892393662、协方差矩阵1）对于一个样本集合S，如果每个样本是一个n维空间中的一个列向量，则使用协方差矩阵描述样本之间的变化程度，协方差矩阵的定义式：随机变量x与y的协方差记为：cov(x,y)2）协方差 a.协方差矩阵能处理多维问题； b.协方差矩阵是一个对称的矩阵，而且对角线是各个维度上的方差。 c.协方差矩阵计算的是不同维度之间的协方差，而不是不同样本之间的。 d.样本矩阵中若每行是一个样本，则每列为一个维度，所以计算协方差时要按列计算均值。3）协方差几何意义参考：https://zhuanlan.zhi

之前我在网上搜索有关卡尔曼滤波器中P，Q，R矩阵的设置，感觉讲述得比较笼统。又因为我要使用雷达目标跟踪方面使用卡尔曼滤波器，因此针对雷达中目标匀速运动的情况来说明一下P，Q，R矩阵的设置。1.卡尔曼滤波器变量转移情况分析首先，我们可以画出卡尔曼滤波器中的变量计算的先后顺序，如下图所示。变量的含义在图后有说明。因为是匀速运动，因此A（运动方程）和H（量测矩阵）都是已知的，特别注意的一点是我的整个过程都是在笛卡尔坐标系进行的。另外Z(K)是当前K时刻的量测点，也是已知的。因此只需要确定，P(K)，Q和R的初值。2.P矩阵的设置对于的初值，可以根据航迹中已知的前两个点来确定。对于P矩阵初值的设定，可

很多人都知道卡尔曼滤波的神奇之处，很多人也看过别人的公式和代码，你有可能会有疑问，这些公式究竟是如何写成代码的。下面我来为你们介绍以下我的学习过程：卡尔曼滤波器的概念及特点卡尔曼滤波（Kalmanfilter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量量为基础的估计方式要准。卡尔曼滤波得名自主要贡献者之一的鲁道夫·卡尔曼。摘自维基百科卡尔曼滤波器结合了上一状态的结果和当前状态的测量值预估出真正状态的测量值。很多人可能会想：我

第一章知识点回顾表1变量符号对照表1.1数学期望数学期望表示为每次可能的结果乘上结果概率的总和。1.1.1数学期望的性质假设常数为C，随机变量X和Y，则1.2方差（variance）概率论中和统计中的方差反映单个（一维）随机变量的离散程度即随机变量偏离数学期望的幅度大小，方差越大偏离数学期望的幅度越大。总体方差：离散型随机变量的方差： 1.2.1方差的性质 假设常数为A和B，随机变量X和Y，则1.3协方差（Covariance）协方差反映两个（二维）随机变量的相似程度，当两个变量相同时，协方差为方差。“协”是指几个变量的协同相关性。随机变量X和Y的协方差表示为如果一个变量大于该变量的期望，另一