Kalman Filter - New Moving Average Registriert seit: May 2008 Status: Member Profil Beiträge der letzten Zeit anzeigen: Alle Beiträge dieses Benutzers finden Diese Nachricht in einer Antwort zitieren Denken Sie nur an es als eine andere Art von exponentiellen gleitenden Durchschnitt. Die Einstellungen sind einfach. Für AppliedPrice verwenden Sie die folgenden: 0 - Open Preis 1 - Low Price 2 - High Price 3 - Close Price Ich habe keine anderen Arten von Preisen hinzugefügt, und aufgrund der Natur des Filters werde ich nicht mehr hinzufügen in beiden. Ich möchte erwähnen, dass die Zeit ein wenig anders ist, als Sie es in MAs gewöhnt sind. Es ist immer noch technisch das gleiche wie die Periode in einem EMA, aber aufgrund der Natur der Kalman-Filter, die die Periode hat nicht die gleiche Wirkung wie bei anderen beweglichen Durchschnitten. Sie können mit ihm spielen, aber ein persönlicher Vorschlag ist, den Zeitraum auf 20.50.100 oder höher zu halten. Der Kalman ist für einige generische Einstellungen jetzt eingerichtet, aber wenn jemand den Ehrgeiz hat, mit den Matrizen, die es für Berechnungen verwendet verwirren, lassen Sie mich wissen, und ich werde den Code schießen Sie Ihren Weg. Da, wie Sie feststellen, die normale Kalman cant wirklich effektiv eine langfristige Tendenzindikator wie ein 200 SMA ist, können Sie die mehrfache Zeitrahmenversion benutzen, um das Kalman auf längeren Zeitrahmen laufen zu lassen und dieses als quottrend indicator. quot persönlich zu verwenden Ich bevorzuge dies, da es weniger Verzögerung schafft und simuliert das Mitschneiden bei längeren Diagramm, um sicherzustellen, Signale Matchquot Theorie. Eine Idee ist, eine Daily oder H4 Kalman auf einer 15 oder 30 min Diagramm, und verwenden Sie es, um die langfristige Trend für diesen Tag spielen. Ich habe gerade beendet Debugging der Indikator heute, und obwohl sehr nützlich, ist diese Version des Indikators nicht wirklich mein Fokus jetzt. Ich arbeite an Optimierung es für meine spezifischen Bedürfnisse, die einige schwere mathematische Arbeit beinhaltet, aber diese Version ist Setup, um ein quotmiddle manquot in der Glätte vs Reaktionszeit Kampf, dass MAs immer Erfahrung sein. Darüber hinaus habe ich gerade diese heute habe ich nicht über eine Strategie, die derzeit angewendet wird, und ich habe nicht einen goldenen Weg zum Reichtum nur mit einem glatten Filter. Verwenden Sie den Filter, wie Sie möchten, vielleicht, wenn Sie Spielzeug herum mit ihm und kreativ es nur seinen Weg in Ihre nächste Trading-Strategie zu finden. Verschiedene Kalman-Perioden - Blue: 500 Kalman - Licht Blau: 200 Kalman - Grün: 100 Kalman - Red: 50 Kalman - Orange: 20 Kalman i295.photobucket / Alben / m. Manperiods. gifthis Thread fragt, wenn ein diskreter Zeit Kalman-Filter ist besser / anders als ein einfacher gleitender Durchschnitt der Beobachtungen: theres keine endgültige Antwort. Kann jemand ein endgültiges Beispiel geben, wo der kalman-Filter, idealerweise im einfachen 1D-Fall, etwas anderes (und besser) als einen gleitenden Durchschnitt macht und die Bedingungen angibt, wenn der kalman-Filter auf einen einfachen gleitenden Durchschnitt reduzieren würde Kalman-Filter würde nicht alle Datenpunkte gleichmäßig wiegen, weil seine Varianz anfänglich kleiner ist und mit der Zeit besser wird. Aber es klingt wie das wäre nur in der Nähe von Anfangsbeobachtungen und dass, sobald die Varianz konvergiert, würde die kalman Filter jede Beobachtung gleichermaßen wie ein gleitender Durchschnitt wiegen, also nicht sehen, wenn die beiden unterschiedlich sind und warum / wann der Filter besser machen würde . Fragte am 17. Februar 15 um 23:52 als erste Antwort (mit den meisten Stimmen) sagt, ist der kalman Filter besser in jedem Fall, wenn Signal ändert sich. Beachten Sie die Problem-Anweisung Verwenden Sie den Algorithmus, um einige konstante Spannung abzuschätzen. Wie könnte mit einem Kalman-Filter für diese besser als nur halten einen laufenden Durchschnitt sind diese Beispiele nur vereinfacht Einsatzfälle des Filters mit einem kalman-Filter, um eine konstante Spannung zu schätzen ist definitiv, overkill. In diesem speziellen Problem ist es besser, den laufenden Durchschnitt zu verwenden, den wir kennen, ist der beste Schätzer für Gaußsche Verteilungen. In diesem Beispiel ist die gemessene Spannung die tatsächliche Spannung V, aber mit einem Rauschen, das typischerweise als 0 mittleres Gaussian (weißes Rauschen) modelliert ist. So dass unsere Messungen Gaußsche mit meanV und Sigmasigma-Rauschen sind. Der kalman-Filter eignet sich besser zum Schätzen von Dingen, die sich mit der Zeit ändern. Das greifbarste Beispiel ist das Verfolgen von sich bewegenden Objekten. Lässt sich vorstellen, einen Ball zu werfen, wir wissen, dass es einen parabolischen Bogen macht, aber was werden unsere Schätzer zeigen, dass ein Kalman-Filter sehr nahe an der tatsächlichen Flugbahn liegt, weil es die neueste Messung ist wichtiger als die älteren sagt (wenn die Kovarianz Ist niedrig). Der laufende Durchschnitt nimmt alle Messungen gleich Blau-Ball-Trajektorie, rot-laufender Durchschnitt (sorry kein kalman, wenn ich Zeit krank es in dort werfen, wenn ich Zeit habe, aber es würde mir viel näher an der blauen Linie vorausgesetzt, dass Sie das System gut modelliert ) Der Kalman-Filter auf der anderen Seite sagt, wenn unsere Konvarianz und Rest waren klein (was bedeutet, wir hatten eine gute Schätzung), dann werden wir bleiben, ohne vorherige Schätzung und tweak es ein kleines Bit auf der Grundlage der restlichen (oder unsere Schätzung Fehler). Jetzt, da unser xhat kk sehr nah an dem tatsächlichen Zustand ist, wenn wir das nächste Update machen, werden wir einen Systemzustand verwenden, der genau dem tatsächlichen Zustand entspricht. Bei x30 bedeutet der laufende Durchschnitt, dass die Anfangsbedingung y (0) genauso wichtig ist wie y (29), und das ist ein großer Fehler. Die kalman Filter für diese. Es sagte, seit unserem Fehler letzten Mal war riesig, können wir eine drastische Veränderung unserer Schätzung (unsere xhat), so dass, wenn wir es für die nächste Aktualisierung verwenden, wird es näher an dem, was tatsächlich passiert ist, hoffe ich, dass einige Sinn macht ich gerade bemerkt Ihre Frage fragt nach einem gleitenden Durchschnitt vs kalman. Ich antwortete ausgeführt avg vs kalman (das ist das Thema der Link, den Sie zur Verfügung gestellt) Nur um ein wenig mehr Informationen speziell auf die bewegenden (Fenster) Durchschnitt hinzuzufügen. Der gleitende Durchschnitt ist eine bessere Schätzung der sich verändernden Werte. Da es nur neuere Proben berücksichtigt. Leider hat es eine Verzögerung mit ihm verbunden, vor allem um sich ändernde Derivate (nur in der Nähe von t30, wo die Ableitung geht von positiven zu negativen). Dies liegt daran, dass der Durchschnitt ist langsam, um Fluktuation zu sehen. Das ist typisch, warum wir es verwenden, um Fluktuation (Lärm) zu entfernen. Auch die Fenstergröße spielt eine Rolle. Ein kleineres Fenster ist in der Regel näher an den Messwerten, was sinnvoll und klingt gut, rechts Der Nachteil dieser ist, wenn Sie laute Messungen haben, bedeutet ein kleines Fenster mehr Lärm zeigt sich mehr in der Ausgabe. Schauen wir uns die andere Frage noch einmal mit den Mittelwerten .5, Sigma .1 z 0.3708435, 0.4985331, 0.4652121. Der Durchschnitt der ersten 3 Abtastwerte 0.4448629 nicht genau in der Nähe des Erwartungswertes von .5 liegt. Dies zeigt wiederum, dass mit dem kleineren Fenster Rauschen eine tiefere Wirkung auf den Ausgang hat. Also dann logisch unser nächster Schritt ist, größere Fenster zu nehmen, um unsere Störfestigkeit zu verbessern. Nun, fällt aus größeren Fenstern sind sogar langsamer, um tatsächliche Änderungen zu reflektieren (wieder auf t30 in meinem Diagramm zu betrachten) und der extremste Fall von Fensterung ist im Grunde der laufende Durchschnitt (die wir bereits wissen, ist schlecht für die Änderung von Daten) Jetzt zurück zu den magischen Kalman-Filter. Wenn man darüber nachdenkt es ähnlich einem 2-Sample gefenstert Durchschnitt (ähnlich nicht das gleiche). Schauen Sie sich X kk im Update-Schritt an, es nimmt den vorherigen Wert und fügt eine gewichtete Version des aktuellen Samples hinzu. Sie könnten denken, auch was über Lärm Warum ist es nicht anfällig für das gleiche Problem wie fenstered Durchschnitt mit einer kleinen Stichprobengröße Weil die kalman Filter berücksichtigt die Unsicherheit der einzelnen Messungen. Der Gewichtungswert K (kalman gain) kann jedoch als Verhältnis zwischen der Kovarianz (Unsicherheit) Ihrer Schätzung und der Kovarianz (Unsicherheit) der aktuellen Schätzung (eigentlich ihr Restwert, aber ihre leichter zu denken, so) . Wenn also die letzte Messung eine große Unsicherheit aufweist, nimmt K ab, und somit spielt die jüngste Probe eine kleinere Rolle. Wenn die letzte Messung weniger Unsicherheit als die Vorhersage aufweist, erhöht sich k, und nun spielt die neue Information eine größere Rolle in der nächsten Schätzung. So auch mit einer kleinen Stichprobengröße, die kalman Filter ist immer noch blockiert eine Menge des Lärms. Wie auch immer, ich hoffe, dass die Antworten auf die Fenster-avg vs kalman Frage nun beantwortet 18 Februar, um 3:34 Eine andere nehmen: Die Kalman Filter können Sie weitere Informationen darüber, wie das System Sie Filterung funktioniert. Mit anderen Worten, Sie können ein Signalmodell verwenden, um die Ausgabe des Filters zu verbessern. Sicher, ein gleitender Mittelfilter kann sehr gute Ergebnisse liefern, wenn man eine nahezu konstante Leistung erwartet. Aber sobald das Signal youre Modellierung dynamisch ist (man denke an Sprach - oder Positionsmessungen), dann die einfache Gleitmittelungsfilters nicht schnell genug ändern (oder überhaupt) im Vergleich mit dem, was der Kalman-Filter tun wird. Das Kalman-Filter verwendet das Signal-Modell, das Wissen, wie die Signaländerungen erfasst, dessen Ausgang in Bezug auf die Abweichung von der Wahrheit zu verbessern. Die Äquivalenz gilt nur für bestimmte Modelle, z. B. Random Walk Lärm EWMA oder lokalen linearen Trend Holt-Winter EWMA. State Space-Modelle sind viel allgemeiner als benutzerdefinierte Smoothers. Auch Initialisierung hat fundierte theoretische Grundlagen. Wenn Sie Irrfahrt Lärm zu halten wollen, und Sie sind nicht mit dem Kalman-Filter vertraut, dann könnten Sie besser dran mit EWMAs sein. ndash Dr G 5. Oktober 11 um 8:01 Um zu beginnen: Die Gleichwertigkeit der Kalman-Filter mit EWMA ist nur für den Fall einer Irrfahrt plus Rauschen, und es wird in dem Buch, Prognose Strukturzeitreihenmodell und Kalman-Filter von Andrew Harvey . Die Äquivalenz von EWMA mit Kalman-Filter für Random Walk mit Rauschen wird auf Seite 175 des Textes behandelt. Dort wird der Autor erwähnt auch, daß die Äquivalenz der beiden ersten 1960 gezeigt wurde, und gibt die Referenz darauf. Hier ist der Link für die Seite des Textes: books. google/booksidKc6tnRHBwLcCamppgPA175amplpgPA175ampdqewmaandkalmanforrandomwalkwithnoiseampsourceblampotsI3VOQsYZOCampsigRdUCwgFE1s7zrPFylF3e3HxIUNYamphlenampsaXampved0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDADvonepageampqewma20and20kalman20for20random20walk20with20noiseampffalse Jetzt ist hier Bezug, die eine ALETERNATIVE zum Kalman und erweiterten Kalman-Filter umfasst - es lieferte Ergebnisse, die die Kalman-Filter entsprechen, aber die Ergebnisse werden erzielt, viel schneller ist Double Exponential Smoothing: Eine Alternative zu Kalman Filter-Based Predictive Tracking. Im Abstract der Arbeit (siehe unten) die Autoren. empirischen Ergebnisse die Gültigkeit unserer Ansprüche unterstützen, dass diese Prädiktoren sind schneller, einfacher zu implementieren und führen äquivalent zu dem Kalman und erweiterten Kalman-Filterung Prädiktoren. Das ist ihre Zusammenfassung Wir neuartige Algorithmen für die prädiktive Erfassung von Nutzer Position und Orientierung, die auf doppelte exponentielle Glättung basiert. Diese Algorithmen, verglichen mit Kalman und erweiterten Kalman-Filter-basierten Prädiktoren mit abgeleiteten freien Messmodellen, laufen etwa 135-mal schneller mit äquivalenten Vorhersage-Performance und einfachere Implementierungen. Dieses Papier beschreibt diese Algorithmen im Detail zusammen mit dem Kalman und erweiterte Kalman Filter Prädiktoren getestet gegen. Darüber hinaus beschreiben wir die Details eines Prädiktor-Experiments und präsentieren empirische Ergebnisse, die die Gültigkeit unserer Behauptungen unterstützen, dass diese Prädiktoren schneller, einfacher zu implementieren sind und gleichwertig mit den Kalman - und erweiterten Kalman-Filterprädiktoren arbeiten. Ich glaube, dies wirklich beantwortet die Frage, warum die Kalman-Filter und MA geben ähnliche Ergebnisse, aber es ist tangential verwandt. Könnten Sie eine volle Ehrfurcht für das Papier Sie zitieren, anstatt einen bloßen Hyperlink hinzufügen Dies würde zukunftssicher Ihre Antwort, falls der externe Link ändert. Ndash Silverfish Es wurde nicht angenommen. Wie die Einleitung sagt, sollte es eine Alternative zu Kalaman sein, aber viel schneller. Wenn es oder eine andere Methode war quotexactlyquot das gleiche wie Kalman, basierend auf dem Thema des Artikels, würde der Autor es erwähnt haben. Also wird die Frage beantwortet. Ndash jimmeh Die Äquivalenz des Kalman-Filters auf zufällige Spaziergang mit EWMA ist in dem Buch Vorhersage Structural Time Series Model und Kalman Filter von Andrew Harvey abgedeckt. Die Äquivalenz von EWMA mit Kalman-Filter für zufällige Wanderungen wird auf Seite 175 des Textes behandelt. Dort erwähnt er, dass es zuerst im Jahre 1960 gezeigt wurde und gibt den Hinweis. Ndash jimmeh 9. April um 12: 54Ive versucht, Kalman Filter zu verstehen. Hier sind einige Beispiele, die mir bisher geholfen haben: Diese verwenden den Algorithmus, um einige konstante Spannung abzuschätzen. Wie könnte mit einem Kalman-Filter für diese besser sein als nur halten einen laufenden Durchschnitt sind diese Beispiele nur vereinfacht Anwendungsfälle des Filters (Wenn ja, was ist ein Beispiel, wo ein laufender Durchschnitt nicht ausreichen) Zum Beispiel betrachten die folgenden Java-Programm und Ausgabe . Die Kalman-Ausgabe entspricht nicht dem Durchschnitt, aber theyre sehr nah. Warum wählen Sie eine über die anderen JA ist es zu vereinfacht Beispiel, mehr irreführend als Bildung. Wenn ja, was ist ein Beispiel, wo ein laufender Durchschnitt reicht nicht Jeder Fall, wenn Signal ändert. Stellen Sie sich bewegende Fahrzeug. Mittelwertberechnung bedeutet, dass wir von jedem Zeitpunkt aus einen Signalwert annehmen, um gleichermaßen wichtig zu sein. Offensichtlich ist es falsch. Intuition sagt, die letzte Messung ist zuverlässiger als die von einer Stunde vor. Ein sehr schönes Beispiel zum Experimentieren ist von der Form frac. Es hat einen Zustand, so dass die Gleichungen nicht kompliziert wird. In diskreter Zeit könnte es wie folgt aussehen: Theres den Code, der es verwendet (Im sorry seine Matlab, ich habe nicht Python vor kurzem verwendet): Es gibt einige Tipps: immer Q und R größer als Null gesetzt. Fall Q 0 ist SEHR SCHLECHTES Beispiel. Du sagst zu dem Filter: es gibt keine Störung, die auf die Pflanze wirkt, so daß nach einer Weile der Filter nur auf seine Vorhersagen basiert, die auf dem Modell basieren und nicht auf Messungen basieren. Mathematisch gesprochen Kk zu 0. Wie wir wissen, Modelle beschreiben die Realität nicht perfekt. Experimentieren Sie mit einer Modell-Ungenauigkeit - modelError Ändern Sie die anfängliche Vermutung des Zustands (xpost (1)) und sehen Sie, wie schnell es für verschiedene Q-, R - und Anfangs-Ppost konvergiert (1) Überprüfen Sie, wie sich die Filterverstärkung K im Laufe der Zeit in Abhängigkeit von Q und ändert R beantwortet Okt 3 12 at 22:37 In der Tat, sie sind die gleiche Sache in gewissem Sinne, werde ich zeigen, Ihre etwas hinter Kalman Filter und Sie werden überrascht sein. Betrachten Sie das folgende einfachste Problem der Schätzung. Wir erhalten eine Reihe von Messungen z1, z2, cdots, zk, einer unbekannten Konstanten x. Wir nehmen an, dass der additive Modellanfang zi x vi, i1,2, cdots, k (1) end ist, wobei vi Messgeräusche sind. Wenn nichts anderes bekannt ist, dann wird jeder einverstanden sein, daß eine vernünftige Schätzung von x bei den k Messungen gegeben werden kann durch Anfangshut k frac sum zi Nun können wir über eq. (2) durch einfache algebraische Manipulation wieder anfangen, um Hut zu bekommen (3) Die Gleichung (3), die in rekursiver Form einfach die Gleichung (2) ist, hat eine interessante Interpretation. Sie sagt, dass die beste Schätzung von x nach k Messung die beste Schätzung von x nach k-1 Messungen plus einem Korrekturterm ist. Der Korrekturterm ist die Differenz zwischen dem, was Sie erwarten, auf der Grundlage der k-1-Messung zu messen, d. h. und was Sie tatsächlich messen, zk. Wenn wir die Korrektur frac als Pk beschreiben, dann kann wiederum einfach algebraische Manipulation die rekursive Form von Pk als Anfang schreiben PkP - P (P 1) P Glauben Sie es oder nicht, Gleichungen (3-4) können als Kalman-Filter erkannt werden Gleichungen für diesen einfachen Fall. Jede Diskussion ist willkommen. Um etwas Geschmack, sehen Sie diese Liste der Bücher: Ich habe GrewalAndrews mit MatLab, auch GrewalWeillAndrews über GPS. Das ist das grundlegende Beispiel, GPS. Hier ist ein vereinfachtes Beispiel, interviewte ich für einen Job, wo sie waren schriftlich Software für die Verfolgung aller LKW gehen in und aus einer riesigen Lieferung Hof, für Walmart oder dergleichen. Sie hatten zwei Arten von Informationen: basierend auf dem Einsetzen eines RFID-Geräts in jedem LKW, hatten sie ziemlich gute Informationen über die Richtung jedes Lkw ging mit Messungen möglich viele Male pro Sekunde, aber schließlich wachsen in Fehler, wie jede im Wesentlichen ODE-Näherung. Auf einer viel längeren Zeitskala konnten sie die GPS-Position eines Lkws nehmen, der eine sehr gute neutrale Lage bietet, aber eine große Abweichung hat, man bekommt Position innerhalb von 100 Metern oder so. Wie diese Thats die Hauptnutzung des Kalman-Filters zu kombinieren, wenn Sie zwei Quellen von Informationen, die etwa entgegengesetzte Arten von Fehler. Meine Idee, die ich ihnen gesagt hätte, wenn sie mich bezahlt hätten, war, ein Gerät auf jedem Semi zu platzieren, wo das Fahrerhaus auf den Anhänger trifft, was dem aktuellen Wenderadius entspricht. Dies könnte integriert worden sein, um sehr gute Kurzzeit-Informationen über die Richtung zu liefern, in die der Lastwagen fuhr. Nun, das ist, was sie mit fast etwas bewegen heutzutage tun. Die, die ich dachte, war niedlich war Farmen in Indien, verfolgen, wo Traktoren waren. Der bewegte Körper muss sich nicht schnell bewegen, um die gleichen Fragen zu bewirken. Aber natürlich war die erste große Nutzung der NASA Apollo-Projekt. Mein Vater traf Kalman irgendwann. Dad arbeitete hauptsächlich auf der Navigation, zunächst Raketen für die Armee, später U-Boote für die Marine. Antwort # 1 am: Juli 19, 2011, 10:31:25 am »UTC 1 Speichern von Notizen, was sie bedeuten, und wie sie zu benutzen. Gehen Sie mit dem Wiki-Artikel zu starten. Fassen es intuitiv zusammen und gehen von dort aus. Was ist die Verbindung zum Bayes-Theorem Wie können wir das einfacher (mit mehreren Variablen) ausdrücken, bevor wir zur Linearen Algebra gehen Was ist ein einfacher, alltäglicher Anwendungsfall Noise ist Gaussian / normal verteilt, was einen anderen Artikel nötig macht, um die Implikationen dort wirklich zu verstehen. High-Level, seine symmetrischen, Variationen fallen innerhalb der bekannten Standard-Abweichung, etc. Wenn nicht Gaussian, ist Kalman immer noch beste lineare Schätzer. OK. Woher wissen wir, wann eine lineare vs. nicht-lineare Schätzung verwendet werden kann Schätzung kontinuierlich aktualisieren, wenn neue Daten kommt in. Erinnert mich an einen Bayesian Spam Filter - wie neue Nachrichten kommen, und Sie markieren sie Spam (oder nicht) Aktualisieren wir die Tabellen, die die Spamhäufigkeit der verschiedenen Wörter angeben. Kalman-Filter ähnlich (außer anstelle von Spam / nicht Spam, seine versucht, den Wert eines Parameters zu schätzen). Gotcha: Filter genannt, weil es Rauschen aus der Messung entfernt. Besserer Name wäre ein Kalman Estimator. Erwarteter Wert der Differenz zwischen x1 und seinen mittleren Zeiten x2 und seinem Mittel Im wesentlichen gibt es eine Korrelation zwischen x1 und x2. Wenn x1 größer als sein Mittel ist, ist x2 ebenso gut Verwenden Sie lineare Algebra, um die Werte von x in einem Spaltenvektor zu speichern Benötigen Sie ein tatsächliches Beispiel, wollen Sie das besser verstehen Wenn wir die Kovarianz haben, können wir versuchen, das unabhängige Rauschen zu extrahieren (Intuitiv, trennen Sie die Kern-Korrelationen von den zufälligen) Ziel: zu finden, ein Vektor, der zusammenfaßt (beschreibt) die Vergangenheit Verhalten am besten. Nehmen wir an, wir haben ein lineares dynamisches System mit additivem weißem Rauschen. Das Kalman-Filtermodell geht davon aus, dass der Zustand eines Systems zum Zeitpunkt t aus dem Prioer-Zustand zur Zeit t-1 gemäß der Gleichung: xt Ftx Btut wt xt-Zustandsvektor entsteht, der die Terme von Interesse zum Zeitpunkt t enthält (das ist neuer Zustand ) Ut. Steuereingänge Bt. Steuereingabematrix, die den Effekt jedes Steuerelements auf den Zustandsvektor Ft anwendet. Zustandsübergangsmatrix, wirkt den Effekt des Zustandsparameters zum vorhergehenden Zeitpunkt x auf den aktuellen Zustand wt. Enthält Prozessrauschen für jeden Parameter. Im Denken: Wir wollen den Beitrag von isolieren: Vorherige Zustände Aktuelle Kontrollen Zufälliges Rauschen Prozess-Rauschen (zufällige Reibung Bumps auf der Straße) Beobachtung Lärm (Staub auf Ihrem Radar-Detektor) Wir haben unsere tatsächlichen Signal (internen Zustand: xk) Dann haben wir Unserem gemessenen Zustand zk Es gibt Rauschen, B., das zk B xk dreht Es gibt zwei Rauschfunktionen wk, wenn die Zustandsänderung und vk angewendet werden, wenn die Messung durchgeführt wird. Dann haben wir zk Bxk vk und xk Ax wk Vorhersage des aktuellen Zustands auf der Grundlage des letzten Zustands, unter Berücksichtigung des Rauschens Update: nimmt Messwerte und aktualisiert die Zustandsschätzung Hrm. Haben eine Folge von Daten kommen in. Wie ein Bayes-Filter. Sie erstellen ein Modell und starten es anpassen, wie Sie einen anderen Datenpunkt zu erhalten. Denken Sie an eine Analogie: jeder Datenpunkt hilft Ihnen, Ihre Schätzung zu klären. Aber Sie wissen, es ist wahrscheinlich zu Lärm, so müssen Sie für diese Einstellung. Idee: machen Sie einen Javascript kalman Filter Simulator zu sehen, was seine SIMPLE-Szenario: Wir verwenden einen laufenden Durchschnitt. BESSERES Szenario: Wir verwenden einen Kalman-Filter, um eine Vorhersage zu erhalten und Lärm zu berücksichtigen. Und mit einem Wechselsignal. Intuition: Kalman-Filter ist ein allgemeiner laufender Durchschnitt. Kann eine veränderliche Variable berücksichtigen. Idee: dies ändern. Sehen Sie, wenn es einen besseren Weg voraussagen kann. Kontrast zu einem laufenden Durchschnitt. Kalmanfilterdemo. png 785x311 22.9 KB Ziel: Besseres Glätten. Einfache gleitende Durchschnitt, polynomische Approximation, etc. Zu lesen: Kalman Filter GPS www. cs. unc. edu/ Schnelle Intuition: Ive getan einige Graben, es nehmen mehr Zeit, um eine solide Intuition zu erhalten, aber heres mein Verständnis. Wir sagen, wir haben eine Menge von Daten kommen, und wir wollen eine Vorhersage über den nächsten Punkt zu sehen. Ein einfacher Ansatz könnte sein, einen einfachen gleitenden Durchschnitt der letzten Punkte zu nehmen, und nehmen Sie an, dass der neue Punkt an diesem Durchschnitt sein wird. Lassen Sie uns sagen, unsere erste Punkt ist 1. Wir können nicht wirklich eine gute Vorhersage, aber lassen Sie erraten, der nächste Punkt ist 1 als gut. Der zweite Punkt ist 5. Whoops, waren wir aus. Ok, lassen Sie erraten, der nächste Punkt wird 3 (der Durchschnitt) werden. Der nächste Punkt ist 9. Whoops, wir waren wieder weg. Lets erraten, der nächste Punkt ist der Durchschnitt der diejenigen, die wir bisher gesehen haben, oder (1 5 9) / 3 5. Der nächste Punkt ist 14. Whoops, off wieder. Ein Mensch würde schnell bemerken, dass Hey, dieser gleitende Durchschnitt nicht sehr gut funktioniert. Die Punkte werden jedes Mal um 4 oder 5 erhöht und wir werden den nächsten Punkt wirklich unterschätzen. Der Kalman-Filter ist wie ein fortgeschrittener gleitender Durchschnitt, der verfolgt, wie weit es weg war und versucht, seine Vorhersagen anzupassen, während sie hereinkommen. Sie kann auf die vorherigen Einzelteile zurückblicken und denken, welches Modell gut funktioniert, wie ich war Erhalten diese Datenpunkte. Er kann nur Systeme mit bestimmten Bedingungen (linear, zeitinvariant) behandeln, aber viel bessere Vorhersagen als ein gerade gleitender Durchschnitt. In diesem Fall kann es so etwas wie sagen: xnew xold 4.5 Eine Anwendung für Kalman-Filter für Navigation, GPS, etc. ist, dass wir Geschosse kennen, Autos, Menschen bewegen sich ziemlich vorhersagbare Wege. Der Kalman-Filter kann schnell eine genaue Schätzung für den Pfad im Vergleich zu einem gleitenden Durchschnitt, die ist wirklich langsam zu aktualisieren und immer ein Schritt hinter sich, so scheint es. Das ist meine wirklich hohe Intuition so weit. Key Intuition: Kalman Filter ist ein Phantasie gleitenden Durchschnitt. Anstelle einer statischen Vorhersage (hier ist der Durchschnitt) gibt es Ihnen eine Gleichung für den Weg, den Sie nehmen werden. (In einem einfachen Fall kann es auch einen statischen Wert vorhersagen.) Die geheime Sauce ist, dass sie das Rauschen herausfiltert. Jeder Datenpfad, den Sie haben, hat Rauschen in ihm. Kalid 2014-06-25 23:04:59 UTC 2 Meta-Notes Über meine Lernstrategie 1) Forschung Wikipedia. Wählen Sie einige Schlüsselwörter aus. Warum ist es ein Filter Eigentlich ist es ein Schätzer. Das ist wirklich gut zu filtern Lärm. 2) Auf der Suche nach YouTube, Google, etc. für Präsentationen Kürzere Videos sind besser :). Einige Beispiele: Aktienkursvorhersage. Navigation / Pfadfindung. Physik. Gesichtserkennung. Sein behauptete, einer der wichtigsten Fortschritte im 20. Jahrhundert zu sein. Wow Warum wir nie davon hören 3) Sehen Sie, wenn Sie ein sehr einfaches Szenario finden können. Wie es scheint, hier, seine gleitenden Durchschnitte. Es gab eine Stapelüberlauffrage, wie der Kalman-Filter unterschiedlich war. Vergleichen und Kontrast zu dem, was Sie wissen, Kalman-Filter sind wie eine bessere gleitende Durchschnitte, weil. 4) Gibt es Demos, wo wir tatsächlich verstehen, was los ist Javascript-Demos für Tracking-Click-Position. Lernen Sie, das Ziel zu trennen (bauen Sie ein Prognosesystem) aus der Implementierung Details (lineare Algebra, etc.) Powered by Discourse. Am Besten mit JavaScript aktiviert
No comments:
Post a Comment