待验证50% 置信事实精确时间

卡尔曼增益公式为 K = PH^T(HPH^T + R)^{-1}，在线性高斯条件下达到理论最优估计

1

来源数

50%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

多传感器卡尔曼融合实战：无人机追踪系统完整解析

redditr/learnmachinelearning2026/7/11

相关事实

待验证卡尔曼增益 K = PH^T(HPH^T + R)^{-1}，当R趋近零时K趋近H^{-1}，当P趋近零时K趋近零82% 相似部分验证KL散度具有非对称性，即D(p,q) ≠ D(q,p)67% 相似待验证阶数P的Runge-Kutta方法需要至少P次函数评估，单步误差为h^(P+1)65% 相似待验证KL散度是非对称的，P相对于Q的KL散度与Q相对于P的KL散度不相等62% 相似待验证拉格朗日对偶通过引入拉格朗日乘子将约束吸收进目标函数，再利用 KKT 条件转化为对偶问题，引出支持向量和核技巧的理论基础61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/491455

API

curl https://kongchang.com/api/v1/knowledge/claims/491455

MCP

get_claim(id=491455)