Çok basit bir Kalman filtresi (rastgele yürüyüş + gürültü modeli) hesaplıyorum.
Filtrenin çıktısının hareketli ortalamaya çok benzer olduğunu buldum.
İkisi arasında bir denklik var mı?
Değilse, fark nedir?
Çok basit bir Kalman filtresi (rastgele yürüyüş + gürültü modeli) hesaplıyorum.
Filtrenin çıktısının hareketli ortalamaya çok benzer olduğunu buldum.
İkisi arasında bir denklik var mı?
Değilse, fark nedir?
Yanıtlar:
Rasgele bir yürüyüş + gürültü modelinin bir EWMA'ya (üssel olarak ağırlıklı hareketli ortalama) eşdeğer olduğu gösterilebilir. Kalman kazancı, EWMA ağırlıklandırması ile aynı olur.
Bu, Durum Alanına Göre Zaman Serileri Analizi'nde bazı detaylara gösterilir , Google Kalman Filtresi ve EWMA ise, denkliği tartışan bir dizi kaynak bulacaksınız.
Aslında, EWMA tahminleri, vb. İçin güven aralıkları oluşturmak için durum alanı denkliğini kullanabilirsiniz.
Başlangıç: Kalman filtresinin EWMA ile eşdeğerliği sadece "rastgele yürüyüş artı gürültü" durumları içindir ve Tahmin, Yapısal Zaman Serileri Modeli ve Andrew Harvey'in Kalman Filtresi kitabında yer almaktadır. EWMA'nın Kalman filtresiyle gürültülü rastgele yürüyüş için denkliği metnin 175. sayfasında anlatılmıştır. Yazar ayrıca, ikisinin eşitliğinin ilk kez 1960'da gösterildiğini ve buna atıfta bulunduğunu belirtir. Metnin bu sayfasının bağlantısı aşağıdadır: https://books.google.com/books?id=Kc6tnRHBwLcC&pg=PA175&lpg=PA175&dq=ewma+and+kalman+for+random+walk+with+noise&source=bl&ots=I3VOQQQQQQQQQQQQWE = RdUCwgFE1s7zrPFylF3e3HxIUNY ve hl = tr & sa = X ved = 0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDAD # v = onepage ve q = EWMA% 20and% 20kalman% 20for% 20random% 20walk% 20with% 20noise & f = yanlış
Şimdi burada, Kalman ve Extended Kalman filtrelerine bir ALETERATİFİ kapsayan referans - Kalman filtresiyle eşleşen sonuçlar verdi, ancak sonuçlar daha hızlı elde edildi! "İki Katlı Düzgünleştirme: Kalman Filtre Tabanlı Öngörüsel İzlemeye Alternatif." Makalenin Özetinde (aşağıya bakınız) yazarlar "... bu tahmincilerin Kalman ve genişletilmiş Kalman filtreleme tahmincileri ile eşdeğer olarak daha hızlı, uygulaması daha kolay ve gerçekleştirdiği iddialarımızın geçerliliğini destekleyen ampirik sonuçları ..."
http://cs.brown.edu/~jjl/pubs/kfvsexp_final_laviola.pdf
Bu onların Özeti "Çift üstel düzlemeye dayalı kullanıcı pozisyonunun ve oryantasyonun yordayıcı izlenmesi için yeni algoritmalar sunuyoruz. Bu algoritmalar, Kalman ve türevsiz ölçüm modellerine sahip uzatılmış Kalman filtre bazlı öngörücülere kıyasla, eşdeğer ile yaklaşık 135 kat daha hızlı çalışmaktadır. Tahmini performans ve daha basit uygulamalar Bu yazıda, bu algoritmaları, test edilen Kalman ve genişletilmiş Kalman Filtresi tahmin edicileri ile birlikte ayrıntılı olarak açıklamaktayız.Ayrıca, bir tahmin deneyinin ayrıntılarını açıklıyoruz ve tahminlerin geçerliliğini destekleyen ampirik sonuçlar sunuyoruz. daha hızlı, uygulaması daha kolay ve Kalman ile aynı performansı sergileyen ve genişletilmiş Kalman filtreleme tahmincileri. ”