Kalman filter - Nuwe Moving Gemiddelde geword Mei 2008 Status: Lid 58 Posts Aangeheg is die nagekom weergawe vir beide die verskeie tydraamwerk en enkele tyd Kalman filter. Dink maar aan dit as 'n ander soort van eksponensiële bewegende gemiddelde. Die instellings is reguit vorentoe gegaan. Vir AppliedPrice gebruik die volgende: 0 - Open Prys 1 - Lae prys 2 - Hoë prys 3 - Maak Prys Ek hoef nie enige ander vorme van pryse bygevoeg, en as gevolg van die aard van die filter sal nie ek nie meer in óf die toevoeging. Ek wil graag noem dat die tydperk is 'n bietjie anders as waaraan jy gewoond is om Mas. Dit nog tegnies nie dieselfde ding as die tydperk in 'n EMO, maar as gevolg van die aard van die Kalman filter verhoging van die tydperk nie die geval is dieselfde effek hê as dit nie op ander bewegende gemiddeldes. Jy kan speel met dit, maar 'n persoonlike voorstel is om die tydperk te 20,50,100 of hoër te hou. Die Kalman is ingestel vir 'n paar generiese instellings op die oomblik, maar as iemand die ambisie om te mors met die matrikse dit gebruik vir berekeninge, laat my weet en ek sal die kode skiet jou pad. Sedert, as jy sal sien, die normale Kalman cant regtig effektief te wees 'n quotlong termyn tendens indicatorquot graag 'n 200 SMA, kan jy die tyd raam weergawe veelvuldige gebruik om die Kalman loop op langer tydskale en gebruik dit as 'n quottrend indicator. quot Persoonlik Ek verkies hierdie, want dit skep minder lag en sien hoe die quotlooking op langer grafiek om seker seine matchquot teorie maak. Een idee is om 'n daaglikse of H4 Kalman plot op 'n 15 of 30 min grafiek, en gebruik dit om af te speel die lang termyn tendens vir daardie dag. Ek het net klaar ontfouting die aanwyser vandag, en hoewel baie nuttig, hierdie weergawe van die aanwyser isnt regtig my fokus op die oomblik. Ek werk op die optimalisering dit vir my spesifieke behoeftes wat 'n swaar wiskunde werk behels, maar hierdie weergawe is ingestel om 'n quotmiddle manquot in die gladheid vs reaksie tyd stryd wat MA altyd ervaring wees. Verder, aangesien ek net dit vandag klaar Ek het nie 'n strategie wat tans toegepas word, en ek het nie 'n goue pad na rykdom net deur die gebruik van 'n gladder filter. Gebruik die filter as wat jy wil, miskien as jy speelgoed rond met dit en kry kreatiewe dit dalk net sy weg na jou volgende handel strategie te vind. Verskillende Kalman Periodes - Blue: 500 Kalman-Light Blue: 200 Kalman - groen: 100 Kalman - Red: 50 Kalman - Orange: 20 Kalman i295.photobucket / albums / m. manperiods. gifthis draad vra toe 'n diskrete-tyd Kalman filter is beter / anders as 'n eenvoudige bewegende gemiddelde van die waarnemings: Theres geen definitiewe antwoord. kan iemand gee 'n definitiewe voorbeeld waar die Kalman filter, verkieslik in eenvoudige 1D geval, doen iets anders (en beter) as die behoud van 'n bewegende gemiddelde, en noem die voorwaardes wanneer die Kalman filter sal verminder tot 'n eenvoudige bewegende gemiddelde een gedagte is dat die Kalman filter sal nie weeg al datapunte die ewe omdat sy afwyking is aanvanklik kleiner en kry beter met tyd. maar dit klink soos dit sou net materie naby waarnemings aanvanklike en dat sodra die variansie geconvergeerde, die Kalman filter sal elke waarneming ewe weeg net soos 'n bewegende gemiddelde, so moenie sien as die twee verskillende en hoekom / wanneer die filter beter sou doen . gevra 17 Februarie toe 15 23:52 as die eerste antwoord (met die meeste stemme) sê, die Kalman filter is beter in elk geval wanneer sein verander. Let op die probleemstelling Hierdie gebruik die algoritme om 'n paar konstante spanning skat. Hoe kan die gebruik van 'n Kalman filter vir hierdie beter as net die behoud van 'n lopende gemiddelde Is hierdie voorbeelde net oorvereenvoudig gebruik gevalle van die filter met behulp van 'n Kalman filter om 'n konstante spanning skat is beslis, overkill. In daardie spesifieke probleem is dit beter om die lopende gemiddeld, wat ons weet is die beste beramer vir Gaussiese verspreidings gebruik. In hierdie voorbeeld is die gemete spanning is die werklike spanning V maar met 'n paar geraas tipies gemodelleer as 0 beteken Gaussiese (wit geraas). sodat ons metings is Gaussiese met meanV, en sigmasigma geraas. Die Kalman filter is beter geskik vir die beraming van dinge wat verander met verloop van tyd. Die mees tasbare voorbeeld is die dop bewegende voorwerpe. Kom ons dink gooi 'n bal, weet ons dat dit 'n paraboliese boog te maak, maar wat sal ons beramers wys A Kalman filter sal baie naby aan die werklike trajek wees, want dit sê die mees onlangse meting is belangriker as die ouer (wanneer die kovariansie laag wat). Die lopende gemiddeld neem al metings ewe blou balle trajek, rooi-lopende gemiddelde (jammer geen Kalman as ek tyd siek gooi dit in daar as ek tyd het, maar dit sou my baie nader aan die blou lyn die veronderstelling dat jy die stelsel geskoei goed ) die Kalman filter aan die ander kant sê, as ons convariance en oorblywende klein (wat beteken ons het 'n goeie skatting) was, dan gaan ons vashou aan uit vorige skatting en tweak dit 'n klein bietjie gebaseer op die oorblywende (of ons skatting fout). Nou aangesien ons xhat kk is baie naby aan die werklike stand, wanneer ons uit die volgende update, sal ons 'n stelsel staat wat aansluit by die werklike toedrag gebruik. Op X30, die lopende gemiddeld sê, die aanvanklike toestand y (0) is net so belangrik as y (29), dis wat, en jy kry 'n groot fout. Die Kalman filter verantwoordelik hiervoor. Daar word gesê dat sedert ons fout laaste keer was groot, kan 'n drastiese verandering in ons skatting (ons xhat), sodat wanneer ons dit gebruik vir die volgende update, sal dit nader aan wees wat werklik gebeur Ek hoop dit maak 'n sekere sin Ek het net opgemerk jou vraag vra oor 'n bewegende gemiddelde vs Kalman. Ek antwoord hardloop avg vs Kalman (dit is die onderwerp van die skakel wat jy verskaf) Net 'n bietjie meer inligting by te voeg wat spesifiek na die bewegende ( 'n klein venster) gemiddelde. Die bewegende gemiddelde is 'n beter beraming van die verandering van waardes. Aangesien dit neem net in ag meer onlangse voorbeelde. Ongelukkig is dit 'n lag wat daarmee gepaard gaan, veral rondom die verandering van afgeleide instrumente (Kyk net naby T30, waar die afgeleide gaan van positief na negatief). Dit is omdat die gemiddelde is traag om skommeling sien. Wat is tipies hoekom gebruik ons dit om skommeling (geraas) te verwyder. Die venster grootte speel ook 'n rol. 'N Kleiner venster is gewoonlik nader aan die gemete waardes wat sin maak en klink goed, reg Die nadeel hiervan is as jy 'n raserige metings, 'n klein venstertjie beteken meer geraas toon meer in die uitset. Kom ons kyk na die ander vraag weer metings met gemiddelde 0,5, sigma 0,1 Z 0,3708435, 0,4985331, 0,4652121. die gemiddelde van die eerste 3 monsters is 0,4448629 nie presies naby aan die 0,5 verwagte waarde. Dit wys weer dat die kleiner venster, geraas het 'n meer diepgaande uitwerking op die uitset. So dan logies ons volgende stap is om groter vensters te neem, om ons geraas immuniteit te verbeter. Wel, blyk groter vensters is selfs stadiger te werklike veranderinge te weerspieël (kyk weer na T30 in my grafiek) en die mees ekstreme geval van windows is basies die loop gemiddelde (wat ons reeds weet is sleg vir die verandering van data) Nou terug na die magiese Kalman filter. As jy daaroor dink dit soortgelyk aan 'n 2 monster met venster gemiddelde (soortgelyk nie dieselfde). Kyk na X kk in die update stap, neem dit die vorige waarde, en dra by tot dit 'n geweegde weergawe van die huidige monster. Jy mag dalk dink, goed wat oor geraas Hoekom isnt dit vatbaar vir dieselfde probleem as 'n klein venster gemiddelde met 'n klein steekproef grootte Omdat die Kalman filter in ag neem die onsekerheid van elke meting. Die gewig waarde K (Kalman wins) kan wees al is van so 'n verhouding tussen die kovariansie (onsekerheid) van jou skatting en die kovariansie (onsekerheid) van die huidige skatting (eintlik sy die oorblywende nie, maar sy makliker om te dink aan dit op hierdie manier) . So as die jongste meting het baie onsekerheid K verminder, en sodoende die mees onlangse voorbeeld speel 'n kleiner rol. As die jongste meting minder onsekerheid as die voorspelling, k styg, en nou die nuwe inligting speel 'n groter rol in die volgende skatting. So selfs met 'n klein steekproefgrootte, is die Kalman filter nog blokkeer n groot deel van die geraas. In elk geval, ek hoop dat antwoord die klein venster avg vs Kalman vraag nou beantwoord 18 Februarie toe 15 03:34 Nog neem: Die Kalman filter kan jy meer inligting wil hê oor die stelsel julle filter werke voeg. Met ander woorde, kan jy 'n sein model gebruik om die opbrengs van die filter te verbeter. Sure, 'n bewegende gemiddelde filter kan baie goeie resultate gee wanneer jy verwag 'n close-to-konstante uitset. Maar so gou as die sein julle modellering is dinamies (dink toespraak of posisie metings), dan is die eenvoudige bewegende gemiddelde filter sal nie vinnig genoeg (of glad nie) verander in vergelyking met wat die Kalman filter sal doen. Die Kalman filter gebruik die sein model, wat jou kennis van hoe die sein verander, om sy produksie in terme van die variansie van die waarheid te verbeter vang. antwoord 18 Februarie toe 15 13: 11 Die ekwivalensie hou net vir sekere modelle, bv ewekansige loop geraas EWMA of plaaslike lineêre tendens Holt-winters EWMA. Staat ruimte modelle is 'n baie meer algemeen as persoonlike smoothers. Ook inisialisering het gesonder teoretiese basisse. As jy wil om te hou by ewekansige loop geraas, en jy nie vertroud is met die Kalman filter, dan kan jy dalk beter daaraan toe met EWMAs wees. â € Dr G 5 Oktober 11 by 08:01 te begin: die ekwivalensie van Kalman filter met EWMA is slegs vir die geval van 'n ewekansige loop plus lawaai en dit word in die boek, voorspelling strukturele tydreeksmodel en Kalman filter deur Andrew Harvey . Die ekwivalensie van EWMA met Kalman filter vir ewekansige wandel met geraas gedek op bladsy 175 van die teks. Daar die skrywer noem ook dat die ekwivalensie van die twee vir die eerste keer verskyn in 1960 en gee die verwysing na dit. Hier is die skakel vir die bladsy van die teks: books. google/booksidKc6tnRHBwLcCamppgPA175amplpgPA175ampdqewmaandkalmanforrandomwalkwithnoiseampsourceblampotsI3VOQsYZOCampsigRdUCwgFE1s7zrPFylF3e3HxIUNYamphlenampsaXampved0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDADvonepageampqewma20and20kalman20for20random20walk20with20noiseampffalse Nou hier is die hand wat 'n ALETERNATIVE om die Kalman en Uitgebreide Kalman filters dek - dit opgelewer resultate wat ooreenstem met die Kalman filter, maar die resultate word verkry baie vinniger Dit is Double Eksponensiële Smoothing: 'n alternatief vir Kalman filter-Based Predictive dop. In Abstract van die papier (sien onder) die skrywers staat. empiriese resultate ondersteun die geldigheid van ons eise dat hierdie voorspellers is vinniger, makliker om te implementeer, en uit te voer in dieselfde om die Kalman en uitgebrei Kalman filter voorspellers. Dit is hul Abstract Ons bied roman algoritmes vir voorspellende dop van gebruiker posisie en oriëntasie gebaseer op dubbele eksponensiële gladstryking. Hierdie algoritmes, wanneer dit vergelyk word teen Kalman en uitgebrei Kalman-filter gebaseer voorspellers met afgeleide gratis meting modelle, hardloop ongeveer 135 keer vinniger met ekwivalent voorspelling prestasie en eenvoudiger implementering. Hierdie artikel beskryf die algoritmes in detail saam met die Kalman en uitgebrei Kalman filter voorspellers getoets. Verder het ons beskryf die besonderhede van 'n voorspeller eksperiment en huidige empiriese resultate ondersteun die geldigheid van ons eise dat hierdie voorspellers is vinniger, makliker om te implementeer, en uit te voer in dieselfde om die Kalman en uitgebrei Kalman filter voorspellers. beantwoord 8 April by 02:06 I39m don39t dink dit regtig die vraag beantwoord oor die rede waarom die Kalman filter en MA gee soortgelyke resultate, maar dit is tangensiaal verwante. Kan jy 'n vol eerbied voeg vir die papier wat jy noem, eerder as 'n blote hyperlink Dit sou toekoms-proof jou antwoord in die geval van die eksterne skakel veranderinge. uitvoering Silver 8 April by 05:46 Dit wasn39t veronderstel word. Soos die bekendstelling sê, it39s bedoel om 'n alternatief vir Kalaman maar baie vinniger wees. As dit of 'n ander metode dieselfde as Kalman, gebaseer op die onderwerp van die artikel is quotexactlyquot, sou die skrywer dit genoem het. So in daardie opsig is die vraag beantwoord. â € jimmeh 9 April om 12:15 die ekwivalensie van Kalman filter om ewekansige wandel met EWMA word in die boek Voorspelling strukturele tydreeksmodel en Kalman filter deur Andrew Harvey. Die ekwivalensie van EWMA met Kalman filter vir ewekansige loop gedek op bladsy 175 van die teks. Daar noem hy dat dit die eerste keer verskyn in 1960 en gee die verwysing. â € jimmeh 9 April by 12: 54Ive probeer om Kalman filters verstaan. Hier is 'n paar voorbeelde wat my gehelp het om tot dusver: Hierdie gebruik die algoritme om 'n paar konstante spanning skat. Hoe kan die gebruik van 'n Kalman filter vir hierdie beter as net die behoud van 'n lopende gemiddelde Is hierdie voorbeelde net oorvereenvoudig gebruik gevalle van die filter (Indien wel, whats 'n voorbeeld waar 'n lopende gemiddelde geval is voldoende) Byvoorbeeld wees, oorweeg die volgende Java program en uitset . Die Kalman uitset nie die geval ooreenstem met die gemiddelde, maar hulle is baie na aan mekaar. Hoekom kies een oor die ander ja dit is oorvereenvoudig byvoorbeeld meer misleidend as opvoeding. As dit so is, whats 'n voorbeeld waar 'n lopende gemiddelde geval is voldoende Enige geval wanneer sein verander. Stel jou voor bewegende voertuig. Berekening van gemiddelde beteken ons aanvaar sein waarde van enige oomblik in tyd net so belangrik te wees. Dit is duidelik dat dit verkeerd is. Intuïsie sê, die laaste meting is meer betroubaar as die een van 'n uur voor. 'N baie mooi voorbeeld om te eksperimenteer met van die vorm frac. Dit het 'n staat, sodat die vergelykings gewoond raak ingewikkeld. In diskrete tyd wat dit kon lyk: Daar is 'die kode wat dit gebruik (Im sorry sy Matlab, didnt Ek het onlangs gebruik Python): Daar is 'n paar wenke: Altyd stel Q en R groter as nul. Geval Q 0 is baie sleg voorbeeld. Jy sê vir die filter: daar is geen versteuring wat op die plant, so na 'n rukkie die filter sal geloof net sy voorspellings gebaseer op model eerder as om na metings. Wiskundig gesproke Kk om 0. Soos ons weet modelle hoef te beskryf werklikheid perfek. Eksperiment met 'n paar model onakkuraatheid - modelError verander aanvanklike raaiskoot van die staat (xpost (1)) en kyk hoe vinnig dit konvergeer vir verskillende Q, R, en aanvanklike Ppost (1) kyk hoe die filter gewin K veranderinge met verloop van tyd, afhangende van Q en R geantwoord 3 Oktober 12 by 22:37 Trouens, dit is dieselfde ding in sekere sin, sal ek jou iets agter Kalman filter wys en jy sal verbaas wees. Oorweeg die volgende eenvoudigste probleem van skatting. Ons kry 'n reeks van meting Z1, Z2, cdots, ZK, van 'n onbekende konstante x. Ons aanvaar die toevoeging model begin zi x vi, i1,2, cdots, k (1) einde waar vi is meting geluide. Indien niks anders nie bekend word, moet almal sal saamstem dat 'n redelike skatting van x gegewe die k metings kan gegee word deur te begin hoed k frac som zi Nou kan ons weer te skryf bo EQ. (2) deur eenvoudige algebraïese manipulasie te kry begin hoed k hoed frac (ZK-hoed) (3) einde Aand. (3) wat eenvoudig Aand. (2) uitgedruk in rekursiewe vorm het 'n interessante interpretasie. Dit sê dat die beste raming van x na k meting is die beste raming van x na K-1 metings plus 'n regstelling termyn. Die regstelling termyn is die verskil tussen wat jy verwag om te meet wat gebaseer is op K-1 meting, dit wil sê en wat jy eintlik meet ZK. As ons benoem die regstelling frac as Pk, dan kan weer net algebraïese manipulasie die rekursiewe vorm van Pk as begin PKP P (P 1) P Glo dit of nie, vgls. (3-4) erken kan word as die Kalman filter skryf vergelykings vir hierdie eenvoudige saak. Enige bespreking word verwelkom. In 'n sekere geur gee, sien die lys van boeke: Ek het GrewalAndrews met Matlab, ook GrewalWeillAndrews oor GPS. Dit is die fundamentele byvoorbeeld GPS. Hier is 'n vereenvoudigde voorbeeld, ek 'n onderhoud vir 'n werk waar hulle sagteware is skryf vir die dop van al vragmotors gaan in en uit 'n groot lewering erf, vir Walmart en dies meer. Hulle het twee tipes inligting: gebaseer op sit 'n RFID toestel in elke vragmotor, hulle het redelik goed inligting oor die rigting elke trok gaan met metings moontlik baie keer per sekonde, maar uiteindelik groei in die fout, net soos enige wese ODE benadering. Op 'n baie lang tyd skaal, kon hulle die GPS posisie van 'n vragmotor, wat 'n baie goeie onbevooroordeelde plek gee, maar het 'n groot variansie neem, jy posisie binne 100 meter of iets. Hoe om hierdie kombineer Dis die belangrikste gebruik van die Kalman filter, wanneer jy twee bronne van inligting wat min of meer teenoorgestelde tipes fout. My idee, wat ek hulle sou gesê het as hulle my betaal het, was om 'n toestel te plaas op elke semi waar die taxi aan die sleepwa, wat die huidige draai sirkel. Dit kon gewees het geïntegreer om 'n baie goeie kort tyd inligting oor die rigting waarin die vragmotor was op pad te gee. Wel, dit is wat hulle doen met byna enigiets deesdae beweeg. Die een wat ek gedink het was oulik was plase in Indië, die dop van waar trekkers was. Die bewegende liggaam nie nodig het om vinnig te beweeg oor die dieselfde vrae te bring. Maar, natuurlik, die eerste groot gebruik was die NASA Apollo-projek. My pa het Kalman op 'n sekere punt. Pa gewerk meestal op navigasie, aanvanklik missiele vir die Army, later duikbote vir die vloot. antwoord 22 Julie 12 aan 19: 25kalid 2014/06/25 19:28:28 UTC 1 Die stoor notas oor wat dit beteken, en hoe om dit te gebruik. Gaan begin met die Wiki artikel. som dit intuïtief, en gaan van daar af. Wat is die verband te Bayes stelling Hoe kan ons druk dit meer eenvoudig (met 'n paar veranderlikes) voordat hulle na Lineêre Algebra Wat is 'n eenvoudige, alledaagse gebruik geval Geraas is Gaussiese / normaalverdeelde wat 'n ander artikel om werklik te verstaan die implikasies daar noodsaak. Hoë-vlak, sy simmetriese, variasies val binne bekende van die standaardafwyking, ens Indien nie Gaussiese, Kalman is steeds die beste lineêre beramer. Ok. Hoe weet ons wanneer om 'n lineêre teen nie-lineêre beramer gebruik Kan voortdurend by te werk skatting as nuwe data kom in Herinner my aan 'n Bayesiaanse Spam Filter -. As nuwe boodskappe kom, en jy sien dit na spam (of nie), ons werk wat tafels wat die spam frekwensie van verskillende woorde aan te dui. Kalman filter soortgelyke (Behalwe in plaas van spam / nie spam, sy probeer om die waarde van 'n parameter skat). Gotcha: bekend as 'n filter, want dit geraas verwyder uit die meting. Beter naam sal 'n Kalman Estimator wees. Verwagte waarde van verskil tussen x1 en sy gemiddelde tye x2 en sy gemiddelde wese is daar 'n paar korrelasie tussen x1 en x2. waar as x1 is groter as sy gemiddelde, is x2 sowel Gebruik lineêre algebra om die waardes van x te slaan in 'n kolom vektor Need 'n werklike voorbeeld, wil hierdie keer het ons die kovariansie beter te verstaan, kan ons probeer om die onafhanklike geraas te onttrek bydrae (intuïtief, skei die kern korrelasies van die ewekansige mense) doel: 'n vektor wat 'n opsomming van (beskryf) die afgelope gedrag die beste te vind. Aanvaar ons 'n lineêre dinamiese stelsel met toevoeging wit geraas. Die Kalman filter model veronderstel dat die toestand van 'n stelsel op tydstip t ontstaan uit die prioer staat op tydstip t-1 volgens die vergelyking:. Xt FTX Btut wt xt staat vektor bevat terme van rente op tydstip t (ok dit is n nuwe staat ) ut. Beheer insette Bt. Beheer insette matriks wat die uitwerking van elke beheer relevant tot die staat vektor Ft geld. Staat oorgang matriks, geld uitwerking van die staat parameter by vorige keer x tot stand wt. bevat proses geraas vir elke parameter. Im denke: Ons wil die bydrae van isoleer: Vorige state Huidige beheer Random geraas proses geraas (ewekansige wrywing knoppe op die pad) waarneming geraas (stof op jou radar detector) Ons het ons werklike sein (interne toestand: xk) Dan het ons ons gemeet staat ZK Daar is geraas, B. wat ZK B xk draai Daar is twee geluid funksies Wêreldbeker wanneer die staat verandering en VK wanneer die meting. Dan het ons ZK Bxk VK en xk Ax Wêreldbeker voorspel huidige stand gebaseer op laaste staat, die neem van geraas in ag Update: neem gemeet waardes, en updates die staat skatting Hrm. het 'n reeks van data kom in. Soos 'n Bayesiaanse filter. Jy skep 'n model en begin aanpassing van dit as jy 'n ander data punt te kry. Dink aan 'n paar analogie: elke datapunt jy help om jou skatting verduidelik. Maar jy weet daar is geneig om geraas wees, sodat jy nodig het om aan te pas vir hierdie. Idee: 'n JavaScript Kalman filter simulator om te sien wat sy doen EENVOUDIGE scenario: Ons gebruik 'n lopende gemiddelde. BETER scenario: Ons gebruik 'n Kalman filter om 'n voorspelling te kry en is verantwoordelik vir geraas. en met 'n veranderende sein. Intuïsie: Kalman filter is 'n meer algemene verloop gemiddelde. Kan rekening vir 'n veranderende veranderlike. Idee: hierdie verander. Kyk of dit 'n beter pad kan voorspel. Anders as 'n lopende gemiddelde. Kalmanfilterdemo. png 785x311 22.9 KB Doel: Beter Smoothing. Eenvoudige bewegende gemiddelde, polinoombenadering, ens Om te lees: Kalman filter GPS www. cs. unc. edu/~~V Vinnige intuïsie: Ive gedoen paar grawe, itll neem meer tyd om 'n stewige intuïsie te kry, maar hier is my verstand. Kom ons sê ons het 'n klomp van die data kom in, en ons wil 'n voorspelling oor die volgende punt te maak en te sien. 'N Eenvoudige benadering sou wees om 'n eenvoudige bewegende gemiddelde van die afgelope paar punte te neem, en aanvaar die nuwe punt sal wees op daardie gemiddelde. Kom ons sê ons eerste punt is 1. Ons kan nie regtig 'n goeie voorspelling, maar kan raai die volgende punt is 1 sowel. Die tweede punt is 5. Oeps, ons was af. Ok, laat raai die volgende punt gaan wees 3 (die gemiddelde). Die volgende punt is 9. Oeps, ons weer af was. Kom ons dink die volgende punt is die gemiddeld van die kinders weve tot dusver gesien het, of (1 5 9) / 3 5. Die volgende punt is 14. Oeps, weer af. 'N Mens sou gou agterkom dat Hey, hierdie bewegende gemiddelde isnt werk baie goed. Die punte is aan die toeneem met 4 of 5 elke keer en ons is regtig onder die skatte van die volgende punt. Die Kalman filter is soos 'n meer gevorderde bewegende gemiddelde, wat track hou van hoe ver dit was af en probeer om sy voorspellings aan te pas as hulle kom in. Dit kan terugkyk op die vorige items en dink watter model goed sou gewerk het as ek was kry hierdie datapunte. Dit kan slegs hanteer stelsels met sekere voorwaardes (lineêre, tyd-invariante), maar maak baie beter voorspellings as 'n reguit bewegende gemiddelde. In hierdie geval is dit dalk iets sê soos: xnew xold 4.5 Een aansoek om Kalman filters vir navigasie, GPS, ens, is dat ons weet projektiele, motors, mense wat langs redelik voorspelbaar paaie. Die Kalman filter kan vinnig 'n akkurate skatting vir die pad in vergelyking met 'n bewegende gemiddelde, wat eintlik stadig te werk en altyd een stap agter kry, dit lyk. Dis my regtig 'n hoë vlak intuïsie tot dusver. Sleutel Intuïsie: Kalman filter is 'n fancy bewegende gemiddelde. In plaas van 'n statiese voorspelling (hier is die gemiddelde) dit gee jou 'n vergelyking vir die pad wat jy gaan neem. (In 'n eenvoudige geval, dit kan 'n statiese waarde te voorspel.) Die geheim sous is dat dit filters uit die geraas. Enige data pad jy het gedruis gemaak in dit. kalid 2014/06/25 23:04:59 UTC 2 Meta-Notes About My leerstrategie 1) Navorsing Wikipedia. Kies uit 'n paar belangrike woorde. Hoekom is dit 'n filter Eintlik sy 'n beramer. Dit is regtig 'n goeie by filter geraas. 2) Begin soek op YouTube, Google, ens vir aanbiedings Korter video's is beter :). 'N Paar voorbeelde: aandelemark prys voorspelling. Navigasie / path. Fisika. Face-dop. Sy beweer dat een van die belangrikste ontwikkelings in die 20ste eeu wees. Sjoe Hoekom het ons nooit hoor oor dit 3) Kyk of jy 'n baie eenvoudige scenario kan vind. Wat beteken dit asof hier sy bewegende gemiddeldes. Daar was 'n stapel oorloop vraag oor hoe die Kalman filter was anders. Vergelyk en kontrasteer met wat jy weet Kalman filters is soos 'n beter bewegende gemiddeldes, want. 4) Is daar enige demos waar ons eintlik kan verstaan wat aan die gang is Javascript demos vir die dop kliek posisie. Leer om die doel te bereik (bou van 'n voorspelling stelsel) van die implementering besonderhede (lineêre algebra, ens) Powered by Diskoers skei. die beste gesien word met Javascript
No comments:
Post a Comment