EM 算法联合估计状态空间模型参数以及状态估计。E-step 是一个卡尔曼滤波器，它使用当前估计来预测新状态。M-step 在 MLE 过程中使用这个结果来获得参数估计。

我建议您阅读以下论文，该论文解释了一个生成模型，HMM、卡尔曼滤波器、VQ 等所有工具都源自该模型：

阅读 Roweis, Ghahramani，“线性高斯模型的统一回顾”，神经计算，卷。1999 年第 11 期第 2 期。

我的理解是卡尔曼滤波器中使用的 EM 算法是用于参数估计的。当我们使用卡尔曼滤波器时，我们需要提供一些参数，例如系统噪声和测量噪声的协方差，以及误差协方差。但是，调整所有这些参数非常耗时。因此，我们使用 EM 算法从观测数据中估计这些参数。

然而，EM算法有一个缺点。它只提供次优的解决方案。也就是说，EM算法估计的参数只是局部最小值/最大值，而不是全局最小值/最大值。因此，可能需要进一步转动。

EM 算法用于迭代求解最大似然（或 MAP）估计问题。您想要估计的未知量可以是状态空间模型中的模型参数，即 (A,B,C,D) 或其任何子集。否则，您还可以估计噪声方差（例如状态或测量噪声）。EM 是一种迭代算法，在期望步骤中，您通过卡尔曼滤波（或平滑）将隐藏变量（即状态）边缘化，然后最大化以更新未知参数的值。然后是新的卡尔曼滤波器运行，直到收敛。