แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบตัวกรองคาลมาน
ปฏิบัติตามขั้นตอนการคาดการณ์และอัปเดตของ Kalman คำนวณสเกลาร์เกน และทำความเข้าใจว่าความไม่แน่นอนควบคุมการถ่วงน้ำหนักการวัดอย่างไร
คำถาม 1 ของ 8
ลำดับใดอธิบายรอบการกรอง Kalman มาตรฐานหนึ่งได้?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ลำดับใดอธิบายรอบการกรอง Kalman มาตรฐานหนึ่งได้?
- ทำนายสถานะแล้วอัปเดตด้วยการวัด
- อัปเดตด้วยการวัดก่อน แล้วทำนายสถานะถัดไป
- แทนที่การประมาณสถานะด้วยการวัดดิบแต่ละค่า
- ทำนายค่าการอ่านเซนเซอร์แต่ละค่าโดยไม่ทำการแก้ไขการวัด
- เมื่อความแปรปรวนที่ทำนายเป็น 4 และความแปรปรวนการวัดเป็น 4 ในกรณีสเกล่า ค่ากำไรของ Kalman คือเท่าใด?
- 1
- 0.5
- 4
- 8
- โดยใช้กำไร 0.5 สถานะที่ทำนายคือ 10 และการวัดคือ 14 ผลลัพธ์ของสถานะที่อัปเดตคืออะไร?
- 10
- 14
- 12
- 7
- หากความแปรปรวนของเสียงรบกวนการวัดเพิ่มขึ้นขณะที่ความไม่แน่นอนของการทำนายคงที่ จะเกิดอะไรขึ้นกับกำไร?
- มันกลายเป็นความแปรปรวนของการวัด
- มันเพิ่มขึ้นเกินหนึ่ง
- มันคงที่โดยไม่มีการเปลี่ยนแปลง
- มันลดลง ทำให้การวัดมีน้ำหนักน้อยลง
- เงื่อนไขใดสนับสนุนผลลัพธ์ความเหมาะสมของตัวกรอง Kalman แบบคลาสสิก?
- กระบวนการไม่เชิงเส้นที่มีการกระจายเสียงรบกวนแบบสุ่มใด ๆ
- พลศาสตร์เชิงเส้นและเสียงรบกวนแบบ Gaussian พร้อมโมเดลที่ระบุอย่างถูกต้อง
- ค่าเฉลี่ยสถิติโดยไม่มีโมเดลความแปรผันของสถานะหรือการวัด
- กระบวนการมีสถานะจำกัดด้วยกฎการเปลี่ยนแปลงแบบสุ่มใด ๆ
- อคติที่เรียกว่า innovation ในระหว่างการอัปเดตการวัดคืออะไร?
- การประมาณเสียงกระบวนการสะสม
- ความแปรผันของสถานะก่อนหน้า
- การวัดที่สังเกตได้หักลบด้วยการวัดที่คาดการณ์
- การวัดที่คาดการณ์หักลบด้วยการวัดที่สังเกตได้
- อคติ innovation ที่ต่อเนื่องอาจบ่งชี้ว่าอะไร?
- หลักฐานว่าระบบเป็นสถิติ
- การรับประกันว่าทุกสถานะถูกต้อง
- จำเป็นต้องตั้งค่าเสียงรบกวนการวัดเป็นศูนย์
- เซ็นเซอร์ที่มีอคติหรือแบบจำลองกระบวนการที่ระบุไม่ถูกต้อง
- ความแปรปรวน P แทนอะไรในฟิลเตอร์?
- ความไม่แน่นอนในสถานะที่ซ่อนอยู่ที่ประมาณค่า
- สถานะที่วัดได้เอง
- ป้ายกำกับตัวตนของเซ็นเซอร์
- จำนวนการอัปเดตฟิลเตอร์