Я обчислюю дуже простий фільтр Кальмана (модель випадкової прогулянки + шум).
Я вважаю, що вихід фільтра дуже схожий на ковзну середню.
Чи існує еквівалент між ними?
Якщо ні, то в чому різниця?
Я обчислюю дуже простий фільтр Кальмана (модель випадкової прогулянки + шум).
Я вважаю, що вихід фільтра дуже схожий на ковзну середню.
Чи існує еквівалент між ними?
Якщо ні, то в чому різниця?
Відповіді:
Модель може бути показана випадковою моделлю ходу + шум, еквівалентною EWMA (косою середньозваженою середньою експоненцією). Коефіцієнт посилення калмана в цілому такий же, як і зважування EWMA.
Це показано в деяких деталях у "Аналізі часових рядів за допомогою державного простору" , якщо ви будете Google Kalman Filter та EWMA, ви знайдете ряд ресурсів, які обговорюють еквівалентність.
Насправді ви можете використовувати еквівалентність простору стану для побудови довірчих інтервалів для оцінок EWMA тощо.
Для початку: Еквівалентність фільтра Калмана з EWMA стосується лише випадків "випадкової ходи плюс шум", і це висвітлено в книзі, Моделі структурних часових рядів прогнозу та Фільтрі Калмана Ендрю Харві. Еквівалентність EWMA з фільтром Калмана для випадкової прогулянки зі шумом висвітлена на сторінці 175 тексту. Там автор також зазначає, що еквівалентність двох вперше була показана в 1960 році і дає посилання на неї. Ось посилання на цю сторінку тексту: https://books.google.com/books?id=Kc6tnRHBwLcC&pg=PA175&lpg=PA175&dq=ewma+and+kalman+for+random+walk+with+noise&source=bl&ots=I3VOQsYZOC&sig = RdUCwgFE1s7zrPFylF3e3HxIUNY & hl = en & sa = X & ved = 0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDAD # v = onepage & q = ewma% 20and% 20kalman% 20for% 20ww 20%% 20w
Ось тут посилання, яке стосується АЛЕТЕРНАТИВНОГО фільтру Kalman та Extended Kalman - це дало результати, які відповідають фільтру Kalman, але результати отримуються набагато швидше! Це "Подвійне експоненціальне згладжування. Альтернатива передбачуваному відстеженню на основі фільтра Калмана". В Анотації до статті (див. Нижче) автори зазначають, "... емпіричні результати, що підтверджують обґрунтованість наших тверджень про те, що ці предиктори швидші, простіші у виконанні та виконуються еквівалентно передбачувачам фільтрації Кальмана та розширеним кальмановим фільтрам ..."
http://cs.brown.edu/~jjl/pubs/kfvsexp_final_laviola.pdf
Це їх конспект "Ми представляємо нові алгоритми прогнозного відстеження положення та орієнтації користувача на основі подвійного експоненціального згладжування. Ці алгоритми, порівняно з Kalman та розширеними передбачувачами на основі фільтрів Kalman, що мають похідні моделі вимірювання, працюють приблизно в 135 разів швидше з еквівалентом ефективність прогнозування та простіші реалізації. У цій роботі докладно описані ці алгоритми разом із тестовими протекторами Kalman Filter, протестовані. Крім того, ми описуємо деталі експерименту передбачувача та наводимо емпіричні результати, що підтверджують обґрунтованість наших тверджень про те, що ці предиктори є швидше, простіше втілити і виконувати еквівалентно передбачувачам фільтрації Кальмана та розширеним фільтрам Кальмана ".