This paper shows how the processing of track innovations data produced by the discrete Kalman Filter may be used to infer the actual measurement covariance matrix, in situations where the latter is poorly known. In addition to the familiar innovations formed from the difference of the measurement from the extrapolated state vector, it is beneficial to compute a similar quantity from the updated track state and analyse the two quantities in combination.
PL
W artykule przedstawiono sposób, według którego na podstawie danych dotyczących innowacji w procesie śledzenia z dyskretnego filtru Kalmana mogą być użyte do określenia bieżącej macierzy kowariancji pomiarów. W dołączeniu do informacji o innowacji na podstawie różnic w pomiarach ekstrapolowanego wektora stanu, warto obliczać podobną wielkość na podstawie danych o śledzeniu i analizować je w połączeniu.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
A recently published paper, [1], considered the probability distribution associated with the numbers of lines of different lengths that could be found in a uniformly random set of points in square or rectangular domains. The present paper extends this analysis to the case of a circular domain which, paradoxically, turns out to be more complex than the earlier cases.
PL
W ostatnio opublikowanym artykule [1] rozważano rozkład prawdopodobieństwa stowarzyszony z liczba˛ linii o różnej długości, które można odnaleźć w losowym zbiorze punktów o równomiernym rozkładzie prawdopodobieństwa w prostokątnym obszarze. Obecny artykuł rozszerza analizę na obszar kołowy, paradoksalnie bardziej złożony.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.