卡尔曼滤波，利用k时刻的预测值、k时刻的测量值和相应误差，得出k时刻（最优）估计值，使得估计值均方误差最小。卡尔曼滤波算法是一套递推估计算法，即可以通过计算机迭代的过程求解（由上个状态求得当前状态）。
一、（离散线性）卡尔曼滤波算法
定义状态变量x(k)，系统控制输入u(k)，系统过程激励噪声w(k)，系统的状态随机差分方程为：
x(k) = A x(k-1) + B u(k) + w(k) —————-根据数学物理知识建模得到的公式，预测值
定义观测变量为z(k)，观测噪声v(k)，量测方程为：
z(k) = H x(k) + v(k) —————————–测量得到的值
但这种方法得到的值都不太可靠，于是我们要利用这个值经过一些过程得到更接近真实值的估计值
理解以下值和它们的表示：
测量值z(k) ——由测量数据直接得到
预测值 x(k|k-1) ——也称为先验预测值
估计值 x(k|k) ——也被称为后验预测值
增益——可以暂时理解某个值对结果影响的权值，下列公式中A，B，H，Kg均为增益
（协）方差P——理解为对应值存在的均方误差，可参考
http://www.cnblogs.com/chaosimple/p/3182157.html
过程激励噪声Q，系统输入误差方差，存
在
w(k)~N(0,Q)的高斯分布
测量噪声R，测量误差方差，存在v