Sorunuzu cevaplamak için: düzeltme yoğunluğunu kullanabilirsiniz. Ama zorunda değilsin. Jarle Tufto'nun cevabı kullandığınız ayrışmaya sahip. Ama başkaları da var.
Kalman Özyinelemeleri Kullanma
Burada olasılığı
f(y1,…,yn)=f(y1)∏i=2nf(yi|y1,…,yi−1).
Bununla birlikte, ortalamalar ve varyanslar genel olarak olasılık dağılımlarını her zaman tam olarak tanımlamaz. Aşağıdaki Eğer dağılımlarını filtreleme gitmek için kullanmakta olduğunuz ayrışma olduğunu koşullu olasılıklarının f ( y ı | y 1 , ... , y i - 1 ) :f(xi−1|y1,…,yi−1)f(yi|y1,…,yi−1)
f(yi|y1,…,yi−1)=∬f(yi|xi)f(xi|xben−1)f(xben -1|y1, … ,yben -1)dxbendxi - 1.(1)
Burada durum geçiş yoğunluğu ... modelin bir parçasıdır ve f ( y i | x i ) yine gözlem yoğunluğu ... modelin bir parçasıdır. Sorunuzda bunları x t + 1 = F x t + v t + 1 ve y t = H x t + A z t + w tf(xben| xi - 1)f( yben| xben)xt + 1= Fxt+ vt + 1yt= Hxt+ A zt+ wtsırasıyla. Aynı şey.
Bir adım önde durum tahmini dağılımı elde ettiğinizde, bu i hesaplar . Tekrar entegre ettiğinizde, (1) 'i tamamen elde edersiniz. Bu yoğunluğu sorunuza tamamen yazıyorsunuz ve aynı şey.∫f( xben| xi - 1) f( xi - 1| y1, … , Yi - 1) dxi - 1
Burada sadece olasılık dağılımlarının ve model hakkındaki varsayımların ayrıştırmasını kullanıyorsunuz. Bu olabilirlik hesabı kesin bir hesaplamadır. Bunu daha iyi veya daha kötü yapmak için kullanabileceğiniz isteğe bağlı bir şey yoktur.
EM Algoritmasını Kullanma
Bildiğim kadarıyla, bu tür bir durum uzay modelinde olasılığı doğrudan değerlendirmenin başka bir yolu yoktur. Ancak, yine de farklı bir işlevi değerlendirerek maksimum olasılık tahmini yapabilirsiniz: EM algoritmasını kullanabilirsiniz. Beklenti adımında (E-Adımı)
Buradaf( y 1 ,…, y n , x 1 ,…, x n )
∫f( x1, … , Xn| y1, … Yn) günlüğüf( y1, … , Yn, x1, … , Xn) dx1 : n= Es m O O T h[ logf( y1, … , Yn, x1, … , Xn) ] .
f( y1, … , Yn, x1, … , Xn)"tam veri" olasılığıdır ve eklem yumuşatma yoğunluğu ile ilgili günlüğün beklentisini alıyorsunuz demektir. Sık sık olan şey şu ki, bu tam veri olasılığının günlüğünü alıyorsanız, terimler toplamlara ayrılır ve beklenti operatörünün doğrusallığı nedeniyle, marjinal yumuşatma dağılımları ( Sorunuzda bahsediyorsunuz).
Diğer şeyler
EM'nin olasılığını en üst düzeye çıkarmak için "daha kararlı" bir yol olduğunu okudum, ama bu noktanın gerçekten iyi tartışıldığını hiç görmedim, ne de bu kelimeyi "kararlı" olarak tanımladım, ama aynı zamanda bunu daha fazla incelemedi. Bu algoritmaların hiçbiri yerel / küresel maksimum çare bulmak değildir. Şahsen Kalman'ı alışkanlıktan daha sık kullanma eğilimindeyim.
Devletin düzeltilmiş tahminlerinin tipik olarak filtrelemekten daha küçük varyansa sahip olduğu doğrudur, bu yüzden sanırım bu konuda bir sezgiye sahip olursunuz, ancak gerçekten durumları kullanmıyorsunuzdur. En üst düzeye çıkarmaya çalıştığınız olasılık, devletlerin bir işlevi değildir.