好的，这是我需要做的：
我想使用卡尔曼滤波器（可能是自适应的）进行一些跟踪。我的测量（当它们可用时）非常好，与实际测量的误差非常小。在某些情况下，尽管测量值会跳到一个值，完全偏离我要寻找的正确位置，然后在几帧后返回到它们的正确位置。
问题是，如果我的滤波器（非自适应）具有测量噪声协方差（R）和状态误差协方差（Q）矩阵的特定值，结果就不是很准确，因为即使对于这1%的情况，我也必须在R和Q之间做出妥协。
所以我决定使用自适应卡尔曼滤波器，就像他们在这里做的那样：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.367.1747&rep=rep1&type=pdf
他们基于创新序列来估计测量噪声协方差矩阵。基本上，他们在先前样本上使用移动窗口，并计算先前测量先前估计之间的误差协方差。例如5个过去的测量值和5个先前的估计值。当错误的测量出现在窗口下时，协方差增加，因此R也增加。
但在实践中，R增加（但还不够），因此在下一步中，估计仍然很好，但只是有点接近错误的测量。在下一步中（因为现在先前的估计已经向测量移动了一点），R变得更小，结果新的估计更加接近测量，以此类推。
最后，在几帧之后，估计跟随错误的测量。这里有一个情节来更好地理解我的意思。
https://www.dropbox.com/s/rkv0tjcm4s54kv3/untitled.tif
也许我想做的是完全错误的，用自适应卡尔曼滤波器是做不到的。也许有人在过去广泛使用卡尔曼滤波器，他以前也遇到过这个问题，可以提供帮助。
欢迎任何想法！
在回答之前，我想确保我答对了你的问题。
您有测量结果，其中一些是好的（低测量噪声），而另一些是异常值
您遇到的问题是调整测量噪声协方差矩阵。
实际上，您可以调整以获得良好的测量结果
通过使用误差协方差来拒绝异常值测量。如果创新落在您使用误差协方差矩阵定义的椭圆之外，则测量将被拒绝
每当测量被拒绝时，您只需再次应用预测步骤，然后等待另一个测量。
是的，问题正是这个。
然而，我设法在不需要定义任何椭圆的情况下解决了它。我所做的是正确的，除了如果我有很多（比方说五十个）连续的异常值，那就不起作用。
如果你考虑到你窗户的大小，这是正常的。例如，如果只有10个样本，而有20个异常值，显然这是行不通的。但对于连续5个异常值，效果非常好。一般来说，我没有使用你建议的任何阈值（"如果创新落在椭圆之外"）来拒绝测量。我保留了测量值，但与此同时，当我开始出现异常值时，误差测量协方差变得非常大。因此，该估计更多地基于先前的估计而不是当前的测量。
如果我使用了你的方法，这确实更符合逻辑（拒绝当前的测量，如果它是基于阈值的异常值），我就有问题，我必须先验地定义这个阈值，对吧？也许我错过了什么。。