1 .. index:: single: KalmanFilter (exemple)
6 Le filtre de Kalman peut être utilisé pour une **réanalyse des observations
7 d'un modèle dynamique donné**. C'est parce que l'ensemble de l'historique
8 complet de l'observation est déjà connu au début des fenêtres temporelles qu'on
9 parle de *réanalyse*, même si l'analyse itérative conserve comme inconnues les
10 observations futures à un pas de temps donné.
12 Cet exemple décrit l'estimation itérative d'une quantité physique constante
13 (une tension électrique) selon l'exemple de [Welch06]_ (pages 11 et suivantes,
14 aussi disponible dans le SciPy Cookbook). Ce modèle permet d'illustrer
15 l'excellent comportement de cet algorithme vis-à-vis du bruit de mesure lorsque
16 le modèle d'évolution est simple. Le problème physique est l'estimation d'une
17 tension électrique, observée sur 50 pas de temps, avec du bruit, ce qui
18 implique ensuite 50 étapes d'analyses par le filtre. L'état idéalisé (valeur
19 dite "vraie", inconnu dans un cas réel) est désigné par ``Xtrue`` dans
20 l'exemple. Les observations :math:`\mathbf{y}^o` (désignée par ``Yobs`` dans
21 l'exemple) sont à renseigner, en utilisant le mot-clé "*VectorSerie*", comme
22 une série chronologique de mesures. On privilégie les observations au détriment
23 de l'ébauche, par l'indication d'une importante variance d'erreur d'ébauche par
24 rapport à la variance d'erreur d'observation. La première observation n'est pas
25 utilisée car l'ébauche :math:`\mathbf{x}^b` sert de première estimation de
28 L'estimation s'effectue en affichant des résultats intermédiaires lors du
29 filtrage itératif. Grâce à ces informations intermédiaires, on peut aussi
30 obtenir les graphiques illustrant l'estimation de l'état et de la covariance
31 d'erreur a posteriori associée.
