可以用于预测的算法有很多种，常见的有线性回归、决策树、时间序列、神经网络、随机森林、支持向量机等，另外像一些状态空间模型也常用于预测，比如卡尔曼滤波、高斯回归过程、小波分析等，可以用于预测的方法不胜枚举。——Python预测之美——数据分析与算法实。

本篇文章分上、中、下三篇，上篇从标准卡尔曼滤波开始，中篇加入更真实的系统模型，下篇从传感器的数据融合中实现扩展卡尔曼滤波。现在重新回顾一下描述系统的状态方程和观测方程：表示系统的当前状态，表示系统的前一个状态；是一个常量，是系统当前状态的观测值；是系统观测噪声；这两个方程已经适用于大多数系统，但仍然不够普适性；现在依然以飞机的飞行为例，我们并没有考虑到飞行员对飞机的操作和控制，飞行员操作控制杆向前或向后移动，对飞机输入控制量，最终对飞机产生控制。

卡尔曼滤波是用来进行数据滤波用的，就是把含噪声的数据进行处理之后得出相对真值。卡尔曼滤波也可进行系统辨识。卡尔曼滤波一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

小波变换，小波分解师对信号一层一层进行分解的，每一层的分解都是讲原信号分解到两个时频空间中，这两个时频空间内的数据相当于原信号分辨经过低通、带通滤波器后再减点抽样儿得到两个包含不同频率惩罚的时域信号，再下一层的分解则是对经过低通滤波的时频空间再进行同样的分解。这个用FIR滤波器就好了，用卡尔曼运算量又大。如果这个单频噪声的频率是变化的，选择自适应的LMS算法去自适应陷波，滤除噪声。

卡尔曼滤波最先用在美国登月系统上，我们目前的主要研究方向是目标跟踪，卡尔曼滤波器也是核心。卡尔曼滤波，顾名思义，滤波就是滤波感兴趣信息中的噪声，并给出感兴趣信息的一种最优估计；目前，在线性高斯假设条件下，卡尔曼滤波器是最优的，卡尔曼滤波器是一个最优化自回归数据处理算法，应用广泛。使用卡尔曼滤波器可以组合GNSS和INS的测试结果，根据含有噪声的物体传感器测量值，预测出物体的位置坐标和速度。