Bir Kalman filtresi ne zaman basit bir hareketli ortalamadan daha iyi sonuç verir?


14

Yakın zamanda, rastgele bir hız ve ivme ile bir parçacık pozisyonunu ölçmenin basit örneğine bir Kalman filtresi uyguladım. Kalman filtresinin iyi çalıştığını buldum, ancak daha sonra kendime bu ve sadece hareketli bir ortalama yapmak arasındaki farkın ne olduğunu sordum? Hareketli ortalamanın Kalman filtresinden daha iyi performans sergilediği yaklaşık 10 numunelik bir pencere kullandıysam ve bir Kalman filtresi kullanmanın sadece hareketli ortalamayı kullanma avantajına sahip olduğunu gösteren bir örnek bulmaya çalıştım.

Hareketli bir ortalamanın Kalman filtresinden çok daha sezgisel olduğunu hissediyorum ve bunu durum uzayı mekanizması hakkında endişelenmeden sinyale körü körüne uygulayabilirsiniz. Burada temel bir şeyi kaçırdığımı hissediyorum ve birinin sunabileceği her türlü yardımı takdir ediyorum.



Bu gönderiyi gördüm, ancak sorum bir Kalman filtresinin bana hareketli bir ortalamadan daha iyi sonuçlar vereceğine dair bir örnek sormak.
dvreed77

Uygulamanızda hareketli ortalama yeterliyse, bunu kullanın, Kalman filtresine (KF) ihtiyacınız yoktur. Belirli varsayımlar altında , KF mümkün olan en iyi tahmini sağlar. Ya bu varsayımlar uygulamanızda bulunmuyor ya da KF uygulamanız kontrol edilmelidir.
Ali

Bu varsayımlar nedir? Gauss gürültüsü mü? Eğer öyleyse simülasyonum ekliyor. Kodum, bir sinyal işleme sınıfından bana verilen kodun biraz değiştirilmiş bir versiyonudur ve diğer bazı kaynaklara karşı kontrol ettim ve güncelleme ve tahmin denklemlerim doğru olmalı. Hareketli ortalamanın daha iyi performans göstermesinin nedeninin, KF'nin kullandığı son örnek yerine son 10 örneği kullanması olduğunu merak ediyorum. Her ne kadar hata kovaryansının her ek örnekle daha da sıkılaştığını düşünüyorum ve bu yüzden MA'nın nasıl daha iyi performans gösterdiğiyle kafam karıştı.
dvreed77

ve bir fark yaratırsa, dış performans dediğimde, MSE'nin hareketli ortalama kullanılarak daha küçük olduğunu kastediyorum.
dvreed77

Yanıtlar:


4

Hareketli bir ortalama tarafından verilen tahmin gerçek durumun gerisindedir.

Sabit bir hızda yükselen bir düzlemin yüksekliğini ölçmek istediğinizi ve gürültülü (Gauss) yükseklik ölçümleriniz olduğunu varsayalım. Gürültülü yükseklik ölçümlerinin bir zaman aralığındaki bir ortalama, düzlemin o zaman aralığının ortasında nerede olduğu hakkında iyi bir tahmin verecektir .

Hareketli ortalamanız için daha büyük bir zaman aralığı kullanırsanız, ortalama daha doğru olacaktır, ancak daha erken bir zamanda uçağın yüksekliğini tahmin edecektir. Hareketli ortalamanız için daha küçük bir zaman aralığı kullanırsanız, ortalama daha az doğru olacaktır, ancak daha yakın bir zamanda uçağın yüksekliğini tahmin edecektir.

Bununla birlikte, hareketli bir ortalamadaki gecikme bazı uygulamalarda sorun yaratmayabilir.

edit: bu yazı aynı soruyu soruyor ve daha fazla yanıtı ve kaynağı var


2

Sorunu ayarlamak için kullandığım orijinal parametreleri kullanarak hareketli ortalamanın daha iyi performans gösterdiğini, ancak dinamik modelimi tanımlayan parametrelerle oynamaya başladığımda Kalman Filtresinin çok daha iyi performans gösterdiğini buldum. Şimdi parametrelerin oynadığı etkileri görmek için bir şey ayarladığım için, tam olarak neler olduğu konusunda daha iyi bir sezgi kazanacağımı düşünüyorum. Sorumun belirsiz olup olmadığını cevaplayan ve özür dilerim.


1
Cevabınıza tekrarlanabilir oyuncak kodu koyarsanız, "eylemde görmelerini" sağlamak için soruyla ilgilenen başkalarına yardımcı olabilir. Şahsen, başkalarının en çok oyladığı cevaplarım çoğaltılabilir içeriğe sahip olma eğilimindedir.
EngrStudent
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.