如何用卡尔曼滤波器估计随机游走模型的观测标准差

阿华AIGC实验室

2026-5-19

嘿，这个问题问得太实际了——很多人刚用卡尔曼滤波时都会被“固定观测协方差”的假设限制住，想扩展到估计观测噪声方差完全是可行的！结合你正在做的随机游走（均值估计）模型，我给你整理了几种靠谱的方案：

估计观测噪声方差的可行方法

首先先明确下你的模型背景：状态是时间序列的均值，服从随机游走 x_k = x_{k-1} + w_k，观测是 z_k = x_k + v_k，其中 v_k 是观测噪声，你要估计的就是 R = Var(v_k)（标准差就是它的平方根）。

1. 离线场景首选：残差统计法

卡尔曼滤波收敛后，残差（创新项）ε_k = z_k - \hat{x}_{k|k-1} 应该是零均值的白噪声序列。利用这个特性，我们可以直接用残差的样本方差来估计 R：

先跑一遍卡尔曼滤波，收集滤波器稳定后的残差（比如跳过前10%的初始数据，避免收敛前的不稳定值）
计算样本方差：
```
\hat{R} = \frac{1}{N-M} \sum_{k=M+1}^N ε_k^2
```
这里 N 是总样本数，M 是收敛前的样本数
这个方法简单粗暴还靠谱，特别适合你的均值估计模型，因为残差的统计特性和假设高度匹配

如果需要实时更新观测方差的估计，协方差匹配是个好选择：

卡尔曼滤波里，残差的理论方差是 S_k = P_{k|k-1} + R（因为你的观测矩阵 H=1），其中 P_{k|k-1} 是状态预测协方差
我们用滑动窗口内的残差样本方差来估计实际的残差方差：
```
\hat{S}_k = \frac{1}{W} \sum_{i=k-W+1}^k ε_i^2
```
W 是滑动窗口的大小，比如取20-50，根据数据频率调整
反解得到 R 的估计：\hat{R}_k = \hat{S}_k - P_{k|k-1}
记得给 \hat{R}_k 加个非负下限（比如 1e-6），避免出现负数；还可以用指数加权平均平滑结果：
```
\hat{R}_k = α * \hat{R}_{k-1} + (1-α) * (\hat{S}_k - P_{k|k-1})
```
α 取0.8-0.95之间，平衡平滑性和响应速度