Voy a tratar de desarrollar la intuición para el filtro de Kalman en unos pocos pasos, a partir de la estimación de mínimos cuadrados, en el que elegir el mejor ajuste entre la medición y el modelo en el sentido LS: 
En mínimos cuadrados ponderados (WLS), le da a pesos a cada medición. Con el fin de lograr los mejores resultados (covarianza mínimo para la estimación) asigna los pesos en proporción inversa a la covarianza de medición (medición precisa = covarianza pequeña medida = gran peso).
Por ejemplo, le pido a un par de personas que midan el ancho de la ventana, y uno de ellos es arquitecto, y el segundo es abogado.
En los mínimos cuadrados recursivos (RLS), reorganiza las ecuaciones de tal manera que solo necesita la última estimación y la nueva medición. Usted peso asignar a la última medición en función de su covarianza con relación a la covarianza de la estimación anterior. La forma recursiva es útil desde:
1. Usted trata con matrices más pequeñas.
2. No es necesario para salvar a toda la historia (eficiente de la memoria).
3. No tiene que esperar a que la última medición reciba una respuesta (especialmente útil para una medición infinita, como una señal de estación de radio).
El filtro Kalman proporciona esta solución recursiva ponderada de manera óptima en los casos en que los parámetros estimados son dinámicos, y usted tiene un modelo para la precisión de la dinámica.
En otras palabras, se aumenta la última estimación de covarianza cuando propagarla a la hora de la última medición. El parámetro que controla este aumento es el ruido del proceso (matriz Q). Bajo nivel de ruido proceso resultará con baja covarianza estimada (matriz P), y un retraso o demora. ruido de alta proceso hará que el filtro sea más ágil, pero no podría suavizar el ruido suficiente.
Por ejemplo, un oficial de policía está tratando de medir su velocidad con lecturas de posición y mediciones Doppler, pero su velocidad está cambiando con el tiempo. Si el proceso de ruido es demasiado alto, la medición será ruidoso, pero si es demasiado baja, se obtendrá la velocidad media de los últimos segundos (que podría ser aceptable en este caso).
- ¿AlphaGo hizo uso de redes generativas adversas?
- ¿Cuáles son los buenos diagnósticos (además del rendimiento de validación) para determinar si una red neuronal se generalizará bien?
- Cómo detectar mediante programación un sonido específico
- Un gobierno global dirigido por una IA diseñada para alcanzar la prosperidad en todos los países del planeta eliminaría las armas mundiales de una vez, ¿correcto?
- ¿En qué áreas los métodos del núcleo siguen siendo competitivos con el aprendizaje profundo?
