1、“.....相反，我们测量的是的和测量噪声的个函数。我们可以利用来帮助我们获得的估计，但是我们不能必然的从上获得这些表面信息，因为它受到噪音的影响。举个例子，假设我们的系统是辆坦克，移动机器人汽车或其他可沿直线运动的些交通工具。我们可以这样说，系统的状态由车辆位置和速度表示。输入是加速度和输出为测量位置。让我们进步假设我们能够测量每秒的位置。该系是个在时刻上包含车辆位置和速度的矢量，而是个等于加速度的标量，是个等于实测位置的标量。是个由于凹坑产生的过程噪声矢量，我们对知识的不确定性和其他未建模效果。最后。是等于测量噪声的个标量也可以说是仪表误差。现在，假设我们想要控制车辆跟踪个特定的路径，或者由于其他些原因我们要估计车辆的位置。我们仅能使用作为我们的位置，但是是噪声。我们本可以通过使用卡尔曼滤波做得更好。这是因为个卡尔曼滤波算法不仅测量位置，而且有包含信息的状态方程。卡尔曼滤波器方程可以这样写在时间步长时,卡尔曼滤波器的被称为个线性滤波器因为这些方程不含指数函数，三角函数，都是能使用直线来绘制的各种图形表达方程......”。

2、“.....是测量噪声的协方差另外的两个矩阵上标表示矩阵的逆阵上标表示矩阵的转置是恒等矩阵为了初始化个卡尔曼滤波器，我们开始需要估计在最初的时间的状态。我们也开始需要个代表着我们在初始状态估计的不确定性的初始估计误差协方差。如果我们非常有信心在我们的初始估计，则应该是比较小的。如果我们是非常不确定我们的初始估计并则应会很大。从长远来讲，这些初始化值不会让不同的滤波器的性能有多大不同。线性局限性好的，那么卡尔曼滤波是种线性滤波器，可以应用于线性系统。不幸的是，线性系统并不真正存在所有系统最终是非线性的。即使是简单的关系的欧姆定律也只是个在有限范围内的近似值。如果电阻器的电压超过定数值时，欧姆定律就不适用了。图显示个典型的通过电阻的电流和电压之间的关系。当输入电压很小时两者之间的关系近似是条直线，但如果功率耗散电阻超过定的值时候，两者的关系变得十分的非线性。即使是个装置简单的电阻是近似线性，之后也只在有限范围内操作。这说明了个事实线性系统不存在这个真实的世界。所以我们看到，线性常被称为卡尔曼施密特过滤器......”。

3、“.....那是，卡尔曼滤波器设计人员需要了解系统，够得上能够描述其行为与微分方程组。在实践中，这往往是最困难的部分的实现方法，利用卡尔曼滤波器在卡尔曼滤波的另个挑战是能够精确模拟系统噪音。在我们推导卡尔曼滤波器时，我们使用了个阶泰勒级数逼近非线性系统方程。如果我们使用二阶泰勒级数近似方程式我们会有个更精确的逼近我们的非线性方程组。这是个例子，所谓的高阶的方法对非线性滤波。如果系统非线性尤其严重，高阶的方法也许能给更好的结果。这些高阶的方法还包括二阶卡尔曼滤波迭代卡尔曼滤波，系统并不真正存在。然而，许多系统能够接近线性系统例如，标准的卡尔曼滤波器给出良好的好的结果。但到目前为止只能用到足够近。最终我们会碰到个系统，连较小范围的操作都不能形成好的线性状态，并且标准卡尔曼滤波不再给予良好的结果。在这些情况下,我们会需要去探索非线性滤波。非线性滤波可以是困难和复杂的，这当然是不能理解为线性滤波。然而，些非线性估计方法已经或即将很普遍。这些包括非线性的扩展卡尔曼滤波器，无迹的卡尔曼滤波器，在我的书里也有介绍见额外阅读本文末尾处......”。

4、“.....标准的卡尔曼滤波我刚总结并不直接适用于非线性系统。然而，如果我们想把非线性系统变换为线性系统，我们可以利用线性估计方法来估计系统状态。为了难点非线性系统，我们将使用个数学工具叫泰勒级数展开，下面我们即将介绍泰勒级数展开非线性卡尔曼滤波的关键是扩展系统的非线性方程在围绕个名义上的点的泰勒级数展开。泰勒级数展开的种非线性函数可以写成,在方程中是的第个衍生式，该方程看起来很复杂，但方程真的是很简单。让我们来看个例子。假设我们想拓展在点泰勒级数在。记住，衍生的是，而派生出来的是。那意味着我们可以写出的泰勒级数展开是因为我们正在点上处展开，我们看到，。的泰勒级数展开等于如果我们使用二阶泰勒级数展开的，我们可以这样说，因为大约等于。这就是所谓的二次，因为它是的二次方项。换句话说，我们可以忽略其余在泰勒级数中的高次方项。这是因为在泰勒级数中，的次方愈大它所代表的值的影响就越小。试试自己把用二阶泰勒级数展开。表显示及其二阶泰勒级数展开的各个的值。我们看到当越小也就是，当我逐渐接近名义点时，泰勒级数展开可以让我们更好地逼近的真正值。换句话说......”。

5、“.....当的值很小时图上的这两条线是相当接近的，表明了泰勒级数的展开很好的近似于。但是当越大而这两条线分开。所以对大值的，是种不好的泰勒级数展开近似。生活在现实我们看过了卡尔曼滤波器可改装为在非线性系统的状态估计。结果叫做卡尔曼滤波器扩展卡尔曼滤波算法。我觉得它很有趣,在世纪年代的在美国国家航空和宇宙航行局的太空计划的航天器导航中第次应用卡尔曼滤波的线性系统并不是非线性系统。卡尔曼滤波器的使用是源自斯坦利施密特在背后的驱动。最早是在五十年代和六十年代初，美国国家航空和宇宙航行局开始时的登月任务的可行性研究时，施密特是国航空暨太空总署艾米斯动态分析分支的酋长。,卡尔曼和施密特共同开发这,理论,卡尔施密特需要个导航算法。非线性卡尔曼滤波使施密特发挥了重要的作用，在世纪年代初,卡尔曼滤波器常。方程和有几个变量都是矩阵是时间指标称为系统的状态个已知的系统输入或称为控制信号是测量输出是过程噪声和是测量噪声除了时间指标，每个变量总的来说都是矢量，因此含有更多的不止个元素。关于状态估计问题，我们要估计，因为它包含所有的系统信息。问题是......”。

6、“.....表根据知识共享障碍因素设计的激励因素针对协同设计人员知识共享的需求过程机理设计激励因素第三章应用波特劳勒模型分析了协同设计人员知识共享需求过程机理，较全面地反映了协同设计人员在激励中的心理过程，并根据罗伯特豪斯的综合激励公式，强调了任务本身奖酬的内激励作用，突出了完成工作任务内在的期望值与奖酬，兼障碍因素对应激励因素知识提供共享意向障碍同事回报有价值的知识提供额外进修的机会物质奖励表彰尊重知识尊重人才共享能力障碍加强培训缺乏信任度加强沟通与相互信任良好的知识共享氛围自由讨论共享情景共享文化障碍营造良好知识共享氛围重视人性关怀情感交流鼓励创新完善知识共享绩效体系提升管理者信用基础设施障碍加大信息技术投入知识社区管理者重视知识获取受体动机障碍加强沟通与相互信任管理者的宽容和鼓励吸收能力障碍加强培训顾了因任务完成而获取外在奖酬所引起的激励，因此，本文主要运用罗伯特豪斯的综合激励公式分析协同设计知识共享的激励因素。豪斯的激励公式为，包括三大类激励因素，是内在奖酬和，二是外部奖酬和，三是期望值对外部奖酬的期望和完成工作的期望。激励模式虽然用方程式的形式给出......”。

7、“.....它仅仅是表示了对激励起重要作用的主要因素之间的联系。由豪斯的激励公式，各期望值与内外奖酬都是乘积的关系，所以，期望值显得非常重要。下面，我们就从内在奖酬外部奖酬期望三个方面列举知识共享可能的激励因素表。表根据知识共享需求满足机理设计激励因素知识受体知识源提供者任务完成前的内在奖酬求知欲的满足求知欲的满足对传授活动重要性的认识任务完成后的内在奖酬学习的成就感满足感为人师表的成就感满足感自身知识的增加能力的提高自身知识的巩固对完成知识共享活动的期望值对自身学习能力的自信心对自身教授能力的自信心外在奖酬互惠同事回报有价值知识声望人际关系的改善人际关系的改善物质奖励物质奖励工作轮换培训机会培训机会受到表彰受到尊重对外在奖酬的期望对互惠的期望对提高声望的期望改善人际关系的期望对改善人际关系的期望对物质奖励的期望对工作轮换的期望对培训机会的期望对培训机会的期望对受到表彰的期望对受到尊重的期望考虑协同设计人员的人性假设确定知识共享激励因素根据第三章对知识共享主要激励对象协同设计人员的人性假设和特征描述，借鉴已有研究成果......”。

8、“.....表知识共享激励因素的确定知识受体知识源提供者内在激励因素包括两类内在奖酬和自信心求知欲无私的心态学习的成就感满足感为人师表的成就感满足感对传授活动重要性的认识自身知识的增加能力的提高自身知识的巩固自信心和学习能力自信心和传授表达能力学习的成就感满足感为人师表的成就感满足感自身知识的增加能力的提高自身知识的巩固个人成长培训与进修文化进修技术培训业务培训培训进修机会文化进修技术培训业务培训工作轮换晋升知识共享氛围互惠同事回报有价值知识沟通沟通尊重知识尊重人才尊重知识尊重人才增强企业凝聚力增强企业量。相反，我们测量的是的和测量噪声的个函数。我们可以利用来帮助我们获得的估计，但是我们不能必然的从上获得这些表面信息，因为它受到噪音的影响。举个例子，假设我们的系统是辆坦克，移动机器人汽车或其他可沿直线运动的些交通工具。我们可以这样说，系统的状态由车辆位置和速度表示。输入是加速度和输出为测量位置。让我们进步假设我们能够测量每秒的位置。该系是个在时刻上包含车辆位置和速度的矢量，而是个等于加速度的标量，是个等于实测位置的标量。是个由于凹坑产生的过程噪声矢量......”。

9、“.....最后。是等于测量噪声的个标量也可以说是仪表误差。现在，假设我们想要控制车辆跟踪个特定的路径，或者由于其他些原因我们要估计车辆的位置。我们仅能使用作为我们的位置，但是是噪声。我们本可以通过使用卡尔曼滤波做得更好。这是因为个卡尔曼滤波算法不仅测量位置，而且有包含信息的状态方程。卡尔曼滤波器方程可以这样写在时间步长时,卡尔曼滤波器的被称为个线性滤波器因为这些方程不含指数函数，三角函数，都是能使用直线来绘制的各种图形表达方程。在卡尔曼滤波方程里有意义的变量是的估计值叫做卡尔曼增益这是个矩阵也称为估计误差的协方差也是个矩阵是过程噪声的协方差，是测量噪声的协方差另外的两个矩阵上标表示矩阵的逆阵上标表示矩阵的转置是恒等矩阵为了初始化个卡尔曼滤波器，我们开始需要估计在最初的时间的状态。我们也开始需要个代表着我们在初始状态估计的不确定性的初始估计误差协方差。如果我们非常有信心在我们的初始估计，则应该是比较小的。如果我们是非常不确定我们的初始估计并则应会很大。从长远来讲，这些初始化值不会让不同的滤波器的性能有多大不同。线性局限性好的......”。