الانتقال من المتوسط - كالمان مرشح

يسأل هذا الموضوع عندما يكون مرشح كالمان المنفصل في الوقت المحدد أفضل من المتوسط ​​المتحرك البسيط للملاحظات: لا توجد إجابة نهائية. يمكن للشخص إعطاء مثال نهائي حيث مرشح كالمان، من الناحية المثالية في حالة 1D بسيطة، يفعل شيئا مختلفا (وأفضل) من الحفاظ على المتوسط ​​المتحرك، وتذكر الشروط عندما مرشح كالمان سوف يقلل إلى متوسط ​​متحرك بسيط واحد الفكر هو أن فإن تصفية كالمان لا تزن جميع نقاط البيانات بالتساوي لأن التباين هو أصغر في البداية ويحصل على أفضل مع مرور الوقت. ولكن يبدو أن ذلك من شأنه أن يهم فقط بالقرب من الملاحظات الأولية، وبمجرد أن التباين التقارب، فإن مرشح كالمان يزن كل ملاحظة على قدم المساواة تماما مثل المتوسط ​​المتحرك، لذلك لا نرى عندما تكون مختلفة هما ولماذا المرشح سيكون أفضل. طلب 17 فبراير 15 في 23:52 كما يقول الجواب الأول (مع معظم الأصوات)، مرشح كالمان هو أفضل في أي حالة عندما تتغير الإشارة. لاحظ بيان المشكلة تستخدم هذه الخوارزمية لتقدير بعض الجهد المستمر. كيف يمكن استخدام فلتر كالمان لهذا يكون أفضل من مجرد الحفاظ على متوسط ​​تشغيل هذه الأمثلة فقط تبسيط حالات الاستخدام للمرشح باستخدام فلتر كالمان لتقدير الجهد المستمر هو بالتأكيد، مبالغة. وفي هذه المشكلة بالذات، من الأفضل استخدام المتوسط ​​الجاري، الذي نعرفه هو أفضل مقدر للتوزيعات الغوسية. في هذا المثال الجهد المقاس هو الجهد الفعلي الخامس ولكن مع بعض الضوضاء عادة على غرار 0 يعني غاوس (الضوضاء البيضاء). بحيث قياساتنا هي غاوس مع مينف، و سيغماسيغما الضوضاء. مرشح كالمان هو أكثر ملاءمة لتقدير الأشياء التي تتغير مع مرور الوقت. وأكثر الأمثلة الملموسة هي تتبع الأجسام المتحركة. دعونا نتخيل رمي الكرة، ونحن نعلم أنها سوف تجعل قوس مكافئ، ولكن ما سوف تظهر مقدرين لدينا مرشح كالمان ستكون قريبة جدا من المسار الفعلي لأنه يقول أحدث القياس هو أكثر أهمية من كبار السن (عندما التباين منخفض هذا هو). متوسط ​​التشغيل يأخذ جميع القياسات على قدم المساواة مسار الكرة الزرقاء، الأحمر تشغيل المتوسط ​​(آسف لا كالمان إذا كان لدي الوقت سوء رميها في هناك إذا كان لدي الوقت، ولكن سوف أقرب لي إلى الخط الأزرق على افتراض كنت على غرار النظام جيدا ) يقول مرشح كالمان من ناحية أخرى، إذا كان لدينا كونفاريانس والمتبقية كانت صغيرة (وهذا يعني أن لدينا تقدير جيد)، ثم نحن ذاهبون إلى التمسك مع التقدير السابق وقرص عليه قليلا على أساس المتبقية (أو تقديرنا خطأ). الآن منذ لدينا كك شات قريب جدا من الحالة الفعلية، عندما نجعل من التحديث القادم، وسوف نستخدم حالة النظام الذي يطابق بشكل وثيق الحالة الفعلية. في X30، يقول متوسط ​​التشغيل، فإن الشرط الأولي y (0) لا يقل أهمية عن y (29)، وهذا هو، وتحصل على خطأ كبير. وشكل مرشح كالمان لهذا. وقال انه منذ خطأنا آخر مرة كانت ضخمة، يتيح إجراء تغيير جذري في تقديرنا (لدينا شات) حتى عندما نستخدمها للتحديث القادم، وسوف يكون أقرب إلى ما يحدث فعلا آمل أن يجعل بعض الشعور أنا فقط لاحظت سؤالك يسأل عن المتوسط ​​المتحرك مقابل كالمان. أجبت على تشغيل أفغ مقابل كالمان (وهذا هو موضوع الارتباط الذي قدمته) فقط لإضافة مزيد من المعلومات أكثر تحديدا للمتحرك (نافذة) المتوسط. المتوسط ​​المتحرك هو مقدر أفضل للقيم المتغيرة. لأنه يأخذ فقط بعين الاعتبار عينات أكثر حداثة. لسوء الحظ، فإنه لديه تأخر المرتبطة به، وخاصة حول المشتقات المتغيرة (مجرد نظرة بالقرب من T30، حيث المشتقة هو الانتقال من الإيجابية إلى السلبية). ويرجع ذلك إلى أن المتوسط ​​بطيء لرؤية التذبذب. وهذا هو عادة لماذا نستخدمه، لإزالة تذبذب (الضوضاء). حجم النافذة أيضا يلعب دورا. نافذة أصغر عادة ما تكون أقرب إلى القيم المقاسة، الأمر الذي يجعل من المنطقي والأصوات جيدة، والحق الجانب السلبي من هذا هو إذا كان لديك قياسات صاخبة، نافذة صغيرة يعني المزيد من الضوضاء يظهر أكثر في الإخراج. دعونا ننظر في السؤال الآخر مرة أخرى القياسات مع المتوسط ​​.5، سيغما .1 ض 0.3708435، 0.4985331، 0.4652121. متوسط ​​العينات الثلاثة الأولى هو 0.4448629 ليس بالضبط قريبة من القيمة المتوقعة 0.5. هذا يظهر مرة أخرى، أنه مع نافذة أصغر، والضوضاء له تأثير أكثر عمقا على الناتج. لذلك ثم منطقيا الخطوة التالية هي أن تأخذ نوافذ أكبر، لتحسين الحصانة الضوضاء لدينا. حسنا، اتضح أن النوافذ الكبيرة هي أبطأ حتى تعكس التغييرات الفعلية (أنظر مرة أخرى إلى t30 في الرسم البياني) وأقصى حالة للنوافذ هي في الأساس متوسط ​​التشغيل (الذي نعرفه بالفعل سيئا لتغيير البيانات) الآن العودة إلى السحرية مرشح كالمان. إذا كنت تفكر في ذلك هو مماثل لمتوسط ​​2 نموذج النافذة (مماثلة ليست هي نفسها). انظروا إلى X كك في خطوة التحديث، فإنه يأخذ القيمة السابقة، ويضيف إليها نسخة مرجحة من العينة الحالية. قد تفكر، حسنا ماذا عن الضوضاء لماذا لا تكون عرضة لنفس المشكلة كمتوسط ​​نافذة مع حجم أخذ العينات الصغيرة لأن مرشح كالمان يأخذ في الاعتبار عدم اليقين من كل قياس. ويمكن أن تكون قيمة الترجيح K (كسب الكالمان) على أنها نسبة بين التباين (عدم التيقن) في تقديرك والتغاير (عدم التيقن) من التقدير الحالي (في الواقع الباقي، ولكن من الأسهل التفكير فيه بهذه الطريقة) . حتى إذا كان أحدث قياس لديه الكثير من عدم اليقين K النقصان، وبالتالي فإن أحدث عينة يلعب لفة أصغر. إذا كان أحدث قياس أقل من عدم اليقين من التنبؤ، ك الزيادات، والآن المعلومات الجديدة تلعب لفة أكبر في التقدير القادم. حتى مع حجم عينة صغيرة، مرشح كالمان لا يزال حجب الكثير من الضوضاء. على أي حال، آمل أن يجيب على الإطار أفغ مقابل سؤال كالمان أجاب الآن فبراير 18 15 في 3:34 أخذ آخر: تصفية كالمان يتيح لك إضافة المزيد من المعلومات حول كيفية النظام الذي ترشيح الأعمال. وبعبارة أخرى، يمكنك استخدام نموذج إشارة لتحسين إخراج المرشح. بالتأكيد، مرشح المتوسط ​​المتحرك يمكن أن تعطي نتائج جيدة جدا عندما كنت تتوقع الإخراج قريب إلى ثابت. ولكن بمجرد أن تكون الإشارة النمذجة ديناميكية (فكر في قياسات الكلام أو الموضع)، فإن المرشح المتوسط ​​المتحرك البسيط لن يتغير بسرعة كافية (أو على الإطلاق) مقارنة بما سيقوم به فلتر كالمان. يستخدم مرشح كالمان نموذج الإشارة، الذي يلتقط معرفتك كيف تتغير الإشارة، لتحسين انتاجها من حيث التباين من الحقيقة. أجاب 18 فبراير 15 في 13: 11 التكافؤ يحمل فقط لبعض النماذج، على سبيل المثال. عشوائي المشي الضوضاء إوما أو الاتجاه الخطي المحلي هولت الشتاء إوما. نماذج الفضاء الدولة هي أكثر عمومية بكثير من سموثرز العرف. أيضا التهيئة لها أسس نظرية أكثر سطوعا. إذا كنت ترغب في التمسك الضوضاء العشوائية المشي، وكنت لم تكن مألوفة مع فلتر كالمان، ثم قد تكون أفضل حالا مع إوما. نداش الدكتور G 5 أكتوبر 11 في 8:01 لبدء: معادلة مرشح كالمان مع إوما هو فقط لحالة المشي العشوائي بالإضافة إلى الضوضاء ويتم تغطيتها في الكتاب، توقعات الهيكلية سلسلة الوقت نموذج وكالمان تصفية بواسطة أندرو هارفي . يتم تغطية معادلة إوما مع مرشح كالمان للمشي العشوائي مع الضوضاء في الصفحة 175 من النص. ويذكر المؤلف أيضا أن معادلة الاثنين قد ظهرت لأول مرة في عام 1960 وتعطي الإشارة إليها. ها هي وصلة لهذه الصفحة من النص: books. googlebooksidKc6tnRHBwLcCamppgPA175amplpgPA175ampdqewmaandkalmanforrandomwalkwithnoiseampsourceblampotsI3VOQsYZOCampsigRdUCwgFE1s7zrPFylF3e3HxIUNYamphlenampsaXampved0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDADvonepageampqewma20and20kalman20for20random20walk20with20noiseampffalse الآن هنا هو الإشارة التي تغطي ALETERNATIVE إلى كالمان ومرشحات كالمان الموسعة - انها اسفرت عن النتائج التي تتناسب مع مرشح كالمان ولكن يتم الحصول على نتائج أسرع بكثير ومن مزدوج الأسي تمهيد: بديل لتتبع كلمان التنبؤية القائم على فلتر. في ملخص للورقة (انظر أدناه) الدولة المؤلفين. نتائج تجريبية تدعم صحة مطالباتنا بأن هذه التنبؤات هي أسرع وأسهل لتنفيذ، وأداء على قدم المساواة ل كالمان وامتدت التنبؤات كالمان الترشيح. هذا هو خلاصة بهم نقدم خوارزميات الرواية للتنبؤ تتبع موقف المستخدم والتوجه على أساس التجانس الأسي ضعف. هذه الخوارزميات، بالمقارنة مع كالمان و كالمان الموسعة تنبئ القائم على مرشح مع نماذج مشتقة قياس الحرة، تشغيل ما يقرب من 135 مرة مع أداء التنبؤ المكافئ وتطبيقات أبسط. هذه الورقة تصف هذه الخوارزميات بالتفصيل جنبا إلى جنب مع كالمان وامتدت كالمان مرشح التنبيهات اختبار ضد. بالإضافة إلى ذلك، نحن تصف تفاصيل تجربة التنبؤ وتقديم نتائج تجريبية تدعم صحة ادعاءاتنا أن هذه التنبؤات هي أسرع وأسهل لتنفيذ، وأداء بالتساوي ل كالمان وموسع كلمان تصفية المرشحات. أجاب أبريل 8 16 في 2:06 I39m don39t أعتقد أن هذا حقا يجيب على السؤال حول لماذا مرشح كالمان و ما يعطي نتائج مماثلة، ولكن من الناحية العرضية ذات الصلة. هل يمكن أن تضيف تقديرا كاملا للورقة التي استشهد بها، بدلا من الارتباط التشعبي العاري وهذا من شأنه أن يثبت إجابتك في المستقبل في حالة تغير الارتباط الخارجي. ندش سيلفرفيش أبر 8 16 في 5:46 إيت wasn39t سوبوس بي. وكما تقول المقدمة، فإن it39s تعني أن تكون بديلا عن كلامان ولكن أسرع بكثير. إذا كان ذلك أو طريقة أخرى كووتساكتليكوت نفس كالمان، استنادا إلى موضوع المقال، فإن المؤلف قد ذكر ذلك. لذلك في هذا الصدد يتم الرد على السؤال. نداش جيمه أبر 9 16 في 12:15 يتم تغطية معادلة مرشح كالمان إلى المشي العشوائي مع إوما في كتاب توقعات الهيكلية سلسلة الوقت نموذج وكالمان تصفية بواسطة أندرو هارفي. يتم تغطية معادلة إوما مع مرشح كالمان للمشي العشوائي في الصفحة 175 من النص. هناك يذكر أنه تم عرضه لأول مرة في عام 1960 ويعطي المرجع. ندش جيمه أبريل 9 16 في 12: 54 كان يحاول فهم مرشحات كالمان. وهنا بعض الأمثلة التي ساعدتني حتى الآن: هذه تستخدم خوارزمية لتقدير بعض الجهد المستمر. كيف يمكن استخدام عامل تصفية كالمان لهذا يكون أفضل من مجرد الحفاظ على متوسط ​​تشغيل هذه الأمثلة مجرد تبسيط حالات الاستخدام من عامل التصفية (إذا كان الأمر كذلك، ما هو مثال حيث لا يعمل متوسط ​​تشغيل) على سبيل المثال، يجب مراعاة برنامج جافا التالي والإخراج . الناتج كالمان لا يطابق المتوسط، لكنها قريبة جدا. لماذا اختيار واحد على يس أخرى هو مثال مبالغ فيه، أكثر مضللة من التعليم. إذا كان الأمر كذلك، ما هو مثال حيث لا يكفي المتوسط ​​الجاري أي حالة عندما تتغير الإشارة. تخيل تتحرك السيارة. حساب المتوسط ​​يعني أننا نفترض قيمة إشارة من أي لحظة في الوقت لتكون بنفس القدر من الأهمية. ومن الواضح أنه من الخطأ. يقول الحدس، القياس الأخير هو أكثر موثوقية من واحد من ساعة قبل. وهناك مثال لطيف جدا لتجربة مع من شكل فراك. لديها دولة واحدة، وبالتالي فإن المعادلات لن تتعقد. في وقت منفصل يمكن أن تبدو مثل هذا: ثيرس التعليمات البرمجية التي يستخدمها (أنا آسف ماتلاب، لم أكن استخدام بيثون مؤخرا): هناك بعض النصائح: دائما تعيين Q و R أكبر من الصفر. حالة Q 0 هو مثال سيء جدا. أنت تقول للمرشح: لا يوجد أي اضطراب يعمل على النبات، وذلك بعد فترة من الوقت سوف مرشح الاعتقاد فقط لتنبؤاتها على أساس نموذج بدلا من النظر في القياسات. يتحدث رياضيا كك إلى 0. كما نعلم نماذج لا تصف الواقع تماما. التجربة مع بعض عدم دقة النموذج - موديرور تغيير تخمين الأولي للدولة (كبوست (1)) ونرى مدى السرعة التي يتلاقى لمختلف Q، R، و بوست الأولي (1) تحقق من كيفية تغيير كسب مرشح K مع مرور الوقت اعتمادا على Q و أجاب R أكتوبر 3 12 في 22:37 في الواقع، فهي نفس الشيء بمعنى معين، وسوف تظهر شيئا ما وراء مرشح كالمان وسوف تفاجأ. النظر في أبسط مشكلة في تقدير. وتعطى لنا سلسلة من قياس z1، z2، كدوتس، زك، من ثابت غير معروف x. نفترض أن النموذج الإضافي يبدأ زي x السادس، I1،2، كدوتس، k (1) نهاية حيث السادس هي ضوضاء القياس. إذا كان أي شيء آخر معروفا، ثم الجميع سوف توافق على أن تقدير معقول من x نظرا للقياسات k يمكن أن تعطى من قبل بدء قبعة k فراك سوم زي الآن يمكننا إعادة كتابة فوق مكافئ (2) عن طريق التلاعب جبري بسيط للحصول على قبعة البداية (3) نهاية المقياس (3) الذي هو ببساطة إق (2) المعبر عنه في شكل عكسي لديه تفسير مثير للاهتمام. وتقول أن أفضل تقدير ل x بعد القياس k هو أفضل تقدير لل x بعد القياسات من k إلى 1 بالإضافة إلى مصطلح تصحيح. مصطلح التصحيح هو الفرق بين ما تتوقع قياسه استنادا إلى قياس k-1، أي ما تقيسه بالفعل زك. إذا كنا تسمية التصحيح فراك كما بيكاي، ثم مرة أخرى ببساطة التلاعب جبري يمكن أن يكتب شكل عودية من بيكاي كما تبدأ يكب - P (P 1) P صدق أو لا تصدق، (3-4) يمكن التعرف عليها كما تصفية كالمان المعادلات لهذه الحالة البسيطة. ورحب بأي مناقشة. لإعطاء بعض النكهة، انظر هذه القائمة من الكتب: لدي غريوالاندروز مع ماتلاب، أيضا غريوالويلاندروز حول نظام تحديد المواقع. هذا هو المثال الأساسي، غس. هنا مثال مبسط، قابلت على وظيفة حيث كانوا يكتبون برامج لتتبع جميع الشاحنات تسير داخل وخارج ساحة تسليم ضخمة، وول مارت أو ما شابه ذلك. كان لديهم نوعان من المعلومات: بناء على وضع جهاز رفيد في كل شاحنة، كانت لديهم معلومات جيدة جدا عن اتجاه كل شاحنة كانت تسير مع القياسات المحتملة عدة مرات في الثانية الواحدة، ولكن في نهاية المطاف تزايد في الخطأ، كما يفعل أي تقريب أود أساسا. على نطاق زمني أطول بكثير، فإنها يمكن أن تتخذ موقف غس من الشاحنة، والتي تعطي موقعا جيدا غير متحيز جدا ولكن لديه تباين كبير، وتحصل على موقف في غضون 100 متر أو شيء من هذا. كيفية الجمع بين هذه ثاتس الاستخدام الرئيسي للمرشح كالمان، عندما يكون لديك مصدرين من المعلومات إعطاء تقريبا أنواع العكس من الخطأ. فكرتي، التي كنت قد قال لهم إذا كانوا قد دفعوا لي، وكان لوضع جهاز على كل شبه حيث الكابينة يلتقي مقطورة، مما يعطي دائرة نصف قطرها تحول الحالية. وكان من الممكن دمج هذا الأمر لإعطاء معلومات جيدة جدا عن وقت قصير حول اتجاه الشاحنة. حسنا، هذا هو ما يفعلونه مع أي شيء تقريبا تتحرك في الوقت الحاضر. كان واحد كان يعتقد كان لطيف المزارع في الهند، وتتبع من حيث الجرارات كانت. ولا يحتاج الجسم المتحرك إلى التحرك بسرعة لإيجاد نفس الأسئلة. ولكن، بطبيعة الحال، كان الاستخدام الرئيسي الأول مشروع ناسا أبولو. التقى والدي كالمان في مرحلة ما. عملت أبي في الغالب على الملاحة، الصواريخ في البداية للجيش، الغواصات في وقت لاحق للبحرية. أجابيد جول 22 12 أت 19:25