चलती - औसत - kalman फिल्टर

यह थ्रेड पूछता है कि जब एक असतत समय काल्मैन फ़िल्टर अवलोकन के सरल चल औसत से भिन्न होता है। कोई निश्चित जवाब कोई निश्चित उदाहरण नहीं दे सकता है, जहां काल्मन फ़िल्टर, आदर्श 1 डी मामले में, कुछ अलग और कुछ बेहतर करता है चलती औसत रखने और शर्तों को बताएंगे कि जब कलमैन फ़िल्टर एक सरल चलती औसत से कम हो जाएगा। एक ही सोचा है कि कलमैन फ़िल्टर सभी डेटा बिंदुओं को समान रूप से नहीं मानता क्योंकि इसका भिन्नता प्रारंभिक रूप से छोटा है और समय के साथ बेहतर होता है लेकिन यह ध्वनि जैसे कि प्रारंभिक टिप्पणियों के करीब ही बात होती है और जब एक बार विचरण एकत्र हो जाता है, तो कलमैन फिल्टर प्रत्येक अवलोकन को समान रूप से चलती औसत की तरह तौला जाता है, इसलिए दो अलग-अलग हैं, और जब फ़िल्टर बेहतर होता है, तो नहीं देखें। 17 15 से 23 52. सबसे ज्यादा वोटों के साथ पहला जवाब बताता है, कल्मन फिल्टर बेहतर होता है जब कोई भी संकेत बदल रहा हो तो समस्या का बयान ये सूचनाएं एलजी का उपयोग करती हैं कुछ स्थिर वोल्टेज का अनुमान लगाने के लिए राइमम यह कैसे एक कलमैन फ़िल्टर का उपयोग कर सकता है, यह सिर्फ चल रहे औसत रखने से बेहतर है? क्या इन उदाहरणों में केवल एक निश्चित वोल्टेज का अनुमान लगाने के लिए कलमैन फ़िल्टर का इस्तेमाल करके फिल्टर के अतिरंजित उपयोग के मामले निश्चित रूप से अधिक है, उस विशेष समस्या में औसत चलने वाले औसत का उपयोग करने के लिए बेहतर है, जो हमें पता है कि गाऊसी के वितरकों का सबसे अच्छा आकलनकर्ता है। इस उदाहरण में मापा वोल्टेज वास्तविक वोल्टेज वी है, लेकिन कुछ शोर के साथ आमतौर पर 0 के रूप में गाऊसी सफेद शोर लगाया गया है ताकि हमारे माप गौसिस के साथ माध्य वी , और सिग्मा सिग्मा शोर। कालमैन फिल्टर समय के साथ बदलते हुए चीजों के आकलन के लिए बेहतर अनुकूल है। सबसे ठोस उदाहरण चलती वस्तुओं पर नज़र रखता है चलिए एक गेंद को फेंकने की कल्पना करते हैं, हम जानते हैं कि यह एक परवलयिक चाप देगा, लेकिन हमारे अनुमानक क्या दिखाएंगे। एक काल्पन फिल्टर वास्तविक प्रक्षेपवक्र के करीब होगा क्योंकि यह कहता है कि सबसे हाल ही में माप बड़े लोगों की तुलना में अधिक महत्वपूर्ण है जब सहानुभूति है कम है यह चलने वाले औसत से सभी माप समान रूप से लेता है। ब्लू-बॉल ट्रैक्स्गोरी, रेड-रनिंग एवरेज माफ़ी नहीं कलमैन अगर मेरे पास समय है तो मैं इसे वहां फेंक दूँगा अगर मेरे पास समय है, लेकिन यह नीली रेखा के करीब होगा और मुझे लगता है कि आपने सिस्टम को अच्छी तरह से तैयार किया है। विकिपीडिया के सौभाग्य से सौभाग्य। सौभाग्य से, कलमैन फ़िल्टर कहते हैं, अगर हमारे संवैधानिक और अवशिष्ट छोटे अर्थ थे कि हमारे पास एक अच्छा अनुमान था, तो हम पिछले अनुमान के साथ रहना चाहते हैं और यह अवशिष्ट या हमारे आकलन त्रुटि के आधार पर एक छोटे से थोड़ा ऊपर जा रहे हैं अब चूंकि हमारा एक्सहट केके वास्तविक राज्य के करीब है, जब हम अगले अपडेट को बनाते हैं, तो हम एक सिस्टम स्थिति का प्रयोग करेंगे, जो वास्तविक स्थिति से निकटता से मेल खाती हैं। 30 में चल रहे औसत कहते हैं, आरंभिक स्थिति y 0 बस के रूप में महत्वपूर्ण है जो y 2 ​​9 है, यही है, और आपको एक बड़ा त्रुटि कलमैन फिल्टर इस के लिए जिम्मेदार है क्योंकि यह हमारी त्रुटि पिछली बार बहुत बड़ी थी, इसलिए हमारे अनुमान के लिए एक तीव्र परिवर्तन करने देता है ताकि हम अगले अपडेट के लिए इसका उपयोग कर सकें, यह वास्तव में क्या हो रहा है के करीब होगा। मुझे उम्मीद है कि कुछ समझ में आता है। मैंने देखा कि आपका सवाल पूछ रहा है ओविंग औसत बनाम कलमैन ने मुझे उत्तर दिया कि औसत विल्म कलमान जो आपके द्वारा दिए गए लिंक का विषय है। जो कि आपके द्वारा प्रदान किए गए लिंक का विषय है। विशेष रूप से चलने वाले औसत औसत के लिए थोड़ी अधिक जानकारी जोड़ने के लिए चलती औसत मूल्य बदलना का एक बेहतर अनुमानक है क्योंकि यह केवल खाते में और अधिक लेता है हाल के नमूनों दुर्भाग्य से, इसके साथ जुड़े अंतराल है, विशेष रूप से बदलते डेरिवेटिव के आसपास बस टी 30 के करीब देखो, जहां डेरिवेटिव पॉजिटिव से नकारात्मक हो रहा है यह इसलिए है क्योंकि औसत में उतार-चढ़ाव देखने में धीमी गति होती है, जिसे आम तौर पर इसका इस्तेमाल क्यों किया जाता है अस्थिरता शोर निकाल दें खिड़की का आकार भी भूमिका निभाता है एक छोटी खिड़की आमतौर पर मापा मूल्यों के करीब होती है, जो समझ में आती है और अच्छा लगता है, सही यह है कि अगर आपके पास शोर माप है, तो एक छोटी सी खिड़की का मतलब है कि अधिक शोर अधिक दिखाई देता है आउटपुट दूसरे प्रश्न को फिर से देखना चाहिए। माप 5 के साथ माप, सिग्मा 1.z 0 3708435, 0 4985331, 0 4652121. पहले 3 नमूनों की औसत 0 4448629 है जो बिल्कुल 5 के करीब नहीं है अपेक्षित मूल्य यह फिर से पता चलता है, कि छोटी खिड़की के साथ, शोर का उत्पादन पर अधिक गहरा असर होता है। तो फिर तार्किक रूप से हमारा अगला कदम बड़ा शोर प्रतिरक्षा में सुधार करने के लिए, हमारे शोर उन्मुक्ति को बेहतर बनाने के लिए है, यह दर्शाता है कि बड़े खिड़कियां भी प्रतिबिंबित करने के लिए धीमी हैं वास्तविक परिवर्तन फिर से मेरे ग्राफ में टी 30 को देखते हैं और खिड़की के सबसे चरम मामले मूलतः चल औसत है जो हमें पहले से ही पता है कि डेटा बदलने के लिए बुरा है। अब वापस जादुई कालमैन फिल्टर पर यदि आप इसके बारे में सोचते हैं तो यह 2 नमूने जैसा है खिड़की औसत समान नहीं, अपडेट चरण में एक्स केके को देखो, यह पिछले मान लेता है, और वर्तमान नमूना का भारित संस्करण जोड़ता है आप सोच सकते हैं कि शोर के बारे में क्या अच्छा है एक छोटा नमूना आकार के साथ खिड़की औसत क्योंकि कलमैन फ़िल्टर प्रत्येक माप की अनिश्चितता को ध्यान में रखता है भार का मान K काल्मन लाभ हालांकि आपके अनुमान के सह-संवेदना अनिश्चितता के बीच के अनुपात के रूप में हो सकता है वर्तमान अनुमान की अनिश्चितता वास्तव में इसके अवशिष्ट है, लेकिन इसके बारे में यह सोचना आसान है, इसलिए अगर नवीनतम माप में कई अनिश्चितताएं घट जाती हैं, और इस प्रकार सबसे हाल के नमूने एक छोटे रोल बजाते हैं यदि नवीनतम माप में कम अनिश्चितता है भविष्यवाणी से, कश्मीर बढ़ता है, और अब नई जानकारी अगले अनुमान में एक बड़ा रोल निभाती है तो एक छोटा सा नमूना आकार के साथ, कलमैन फ़िल्टर अब भी बहुत शोर को रोक रहा है.अब, मुझे उम्मीद है कि विंडो के औसत का जवाब कलम के सवाल का जवाब अब 18 फरवरी को 3 34 पर होता है। अन्य केमैन फ़िल्टर ले जाने से आपको इस बारे में अधिक जानकारी मिलती है कि आप सिस्टम को किस प्रकार फ़िल्टर कर रहे हैं। दूसरे शब्दों में, आप फिल्टर के आउटपुट में सुधार के लिए सिग्नल मॉडल का उपयोग कर सकते हैं। , एक चल औसत फिल्टर बहुत अच्छे परिणाम दे सकता है जब आप एक करीबी से निरंतर आउटपुट की अपेक्षा कर रहे होते हैं लेकिन जैसे ही आप सिग्नल को फिर से तैयार कर रहे हैं, वह गतिशील लगता है भाषण या स्थिति माप, तो सरल चलती औसत फिल्टर नहीं होगा कलमैन फ़िल्टर क्या करेगा इसके मुकाबले काफी तेजी से या बिल्कुल भी बदलाव करें। कामालमैन फ़िल्टर सिग्नल मॉडल का उपयोग करता है, जो आपके ज्ञान को सत्यता से भिन्नता के मामले में अपने आउटपुट में सुधार करने के लिए कैसे संकेत देता है। 13 11. समानता केवल कुछ मॉडलों के लिए रखती है, उदा। यादृच्छिक चलने का आवाज़। एचएएमए या स्थानीय रेखीय प्रवृत्ति। हॉल्ट-सर्दियों EWMA राज्य अंतरिक्ष मॉडल कस्टम smoothers की तुलना में बहुत अधिक सामान्य हैं इसके अलावा इनिशियलाइज़ेशन सांसद सैद्धांतिक आधार हैं यदि आप यादृच्छिक छड़ी करना चाहते हैं शोर से चलना, और आप कलमैन फिल्टर से परिचित नहीं हैं, तो आप ईडब्ल्यूएमए डॉ जी जी 5 अक्टूबर 11 को 8 01 के साथ बेहतर हो सकते हैं। ईएमडब्ल्यूएमए के साथ कलमैन फिल्टर की तुल्यता को शुरू करने के लिए केवल एक यादृच्छिक चलने के शोर के मामले और यह पुस्तक में शामिल है, स्ट्रॉचरल टाइम सीरीज मॉडल का पूर्वानुमान और एंड्रयू हार्वे द्वारा कल्मैन फ़िल्टर। शोर के साथ यादृच्छिक चलने के लिए ई-मेल से फिल्टर के साथ ईडब्ल्यूएमए की तुल्यता पाठ की पृष्ठ 175 पर आ गई है वहां लेखक ने यह भी बताया कि इक्वेटोरी दोनों की लेंस 1 9 60 में पहली बार दिखायी गयी थी और इसके बारे में संदर्भ देता है यहां पाठ पीजी PA175 एलपीजी PA175 डीके ईवमा और कलम के उस पृष्ठ के लिए लिंक है जो शोर स्रोत के साथ यादृच्छिक पैरों के लिए है I3VOQsYZOC sig RdUCwgFE1s7zrPFylF3e3HxIUNY एचएएल एन वेड 0हयूकेईवईके 5 टी 2 जे 84एचएमएएचवीएएनएसवाईकेएचकेएमएकेकैक 6 एएआईआईएनडीएडी v onepage q ewma 20and 20kalman 20 for 20random 20walk 20with 20noise f false. अब यहाँ का संदर्भ है जो कि कलमैन और विस्तारित काल्मन फिल्टर के लिए एक आलरनेटिव कवर करता है - यह परिणाम प्राप्त करता है जो कि कलमैन फिल्टर से मेल खाता है लेकिन परिणाम बहुत तेज़ी से प्राप्त किए जाते हैं यह डबल एक्सपोजेंशनल कलमैन फ़िल्टर-आधारित अनुमानी ट्रैकिंग के लिए एक वैकल्पिक चतुराई में लेखकों के नीचे देखें राज्य के अनुभवजन्य परिणाम हमारे दावों की वैधता का समर्थन करते हैं जो ये भविष्यवाणियां तेज़ हैं, को लागू करने में आसान है, और समान रूप से काल्पमान और विस्तारित कल्मन फ़िल्टरिंग भविष्यवाणियों के लिए प्रदर्शन करते हैं। यह उनका सार है हम उपयोगकर्ता की स्थिति और अभिविन्यास के अनुमानित ट्रैकिंग के लिए उपन्यास एल्गोरिदम प्रस्तुत करते हैं डबल एक्सपेंनेलिबल चौरसाई पर आधारित ये एल्गोरिदम, जब केमैन और विस्तारित कल्मन फिल्टर-आधारित भविष्यवाणियों के साथ डेरिवेटिव फ्री मापन मॉडल के साथ तुलना की जाती है, तो बराबर भविष्यवाणी प्रदर्शन और सरल कार्यान्वयन के साथ लगभग 135 गुना तेजी से चलाता है यह पेपर काल्मन और विस्तारित साथ विस्तार से इन एल्गोरिदम का वर्णन करता है। इसके अलावा, हम भविष्यवाणियों के प्रयोग के विवरण और वर्तमान अनुभवजन्य परिणामों के विवरण का वर्णन करते हैं जो हमारे दावों की वैधता का समर्थन करते हैं कि ये भविष्यवाणियां तेज़ हैं, को लागू करने में आसान है, और समान रूप से काल्पमान और विस्तारित कल्मन फ़िल्टरिंग भविष्यवाणियों के लिए कार्य करते हैं। 8 16 से 2 06. मुझे नहीं लगता कि यह वास्तव में इस प्रश्न का उत्तर देता है कि क्यों Kalman फ़िल्टर और एमए इसी तरह के परिणाम देते हैं, लेकिन यह गहनता से संबंधित है क्या आप उस पेपर के लिए पूर्ण श्रद्धा जोड़ सकते हैं जो आप उद्धृत करते हैं, बल्कि एक बेर हाइपरलिंक भविष्य के सबूत आपके उत्तर के मामले में बाहरी लिंक Silverfish 8 अप्रैल 16 को बदल देगा 5 46. यह नहीं लगता था कि शुरूआत की तरह, यह कलमैन के विकल्प का मतलब है, लेकिन बहुत तेज़ है यदि यह या किसी अन्य विधि लेख के विषय पर आधारित, कलमैन के समान ही था, तो लेखक ने इसका उल्लेख किया होगा यह तो उस सवाल में जवाब दिया गया है jimmeh 9 अप्रैल, 16 12 12। ईलमएम के साथ यादृच्छिक चलने के लिए कलमैन फिल्टर की तुल्यता पुस्तक स्ट्रक्चरल टाइम सीरीज़ मॉडल और कालमैन फ़िल्टर में एंड्रयू हार्वे द्वारा कवर किया गया है। यादृच्छिक चलने के लिए पाठ की पृष्ठ 175 पर कवर किया गया है वहां उन्होंने उल्लेख किया है कि यह पहली बार 1 9 60 में दिखाया गया था और संदर्भ देता है jimmeh 9 अप्रैल 9 12 को 12 54. मैं कलमैन फिल्टर को समझने की कोशिश कर रहा हूँ यहाँ कुछ उदाहरण हैं जिन्होंने मेरी मदद की है अभी तक ये कुछ निरंतर वोल्टेज का अनुमान लगाने के लिए एल्गोरिथ्म का उपयोग करते हैं। यह केवल एक रनिंग औसत रखने से बेहतर कैसे हो सकता है, यह कैल्मन फिल्टर का इस्तेमाल कैसे कर सकता है क्या इन उदाहरणों में फ़िल्टर के केवल अतिरंजित उपयोग के मामले हैं यदि हां, तो एक उदाहरण क्या है जहां एक औसत औसत चलने वाला नहीं है। उदाहरण के लिए, निम्नलिखित जावा प्रोग्राम और आउटपुट पर विचार करें। केमैन आउटपुट औसत से मेल नहीं खाता है, लेकिन वे बहुत करीब क्यों हैं, एक दूसरे को क्यों चुनें। उदाहरण के लिए, शिक्षित करने से अधिक भ्रामक। यदि ऐसा है, तो एक उदाहरण क्या है जहां चल रहे औसत पर्याप्त नहीं है। किसी भी स्थिति में जब संकेत बदल रहा है। वाहन चलने की कल्पना करें औसत का मतलब है कि हम समय के किसी भी क्षण से संकेत मान को समान रूप से महत्वपूर्ण मानते हैं जाहिर है यह गलत अंतर्ज्ञान है, पिछले माप एक घंटे से पहले एक से अधिक विश्वसनीय है। एक बहुत अच्छा उदाहरण के साथ प्रयोग करने के लिए फार्म frac का है यह एक राज्य है, तो समीकरणों जटिल नहीं हो गया। असतत समय में यह लग सकता है इस तरह से.ऐसा कोड है जो इसका इस्तेमाल करता है मुझे मातृभाषा है मैटैब, मैंने हाल ही में अजगर का इस्तेमाल नहीं किया है.कुछ युक्तियां हैं.हमेशा क्यू और आर सेट करें शून्य से ज्यादा केस ए क्यू 0 बहुत खराब उदाहरण है आप वहां फ़िल्टर को कहते हैं पीएल पर अभिनय करने में कोई परेशानी नहीं है चींटी, कुछ समय बाद फिल्टर केवल गणितीय रूप से बोलने वाले केके से 0 तक माप के आधार पर मॉडल पर आधारित अपनी भविष्यवाणियों के लिए विश्वास करेगा। जैसा कि हम जानते हैं कि मॉडल वास्तव में वास्तविकता का वर्णन नहीं करते हैं। कुछ मॉडल अयोग्यता के साथ प्रयोग - मॉडल एरर। प्रारंभिक अनुमान राज्य एक्सपीस्ट 1 और देखें कि यह अलग क्यू, आर, और शुरुआती पीपस्ट के लिए कितनी तेजी से जुटाता है 1. जांचें कि क्यू पर निर्भर करता है कि क्यू और आर के अनुक्रमित समय पर 3 से 3 अक्टूबर को फिल्टर का लाभ कैसे होता है। वास्तव में, वे समान हैं कुछ चीज़ों में बात, मैं कलमैन फिल्टर के पीछे आपकी कुछ दिखाई देगा और आप आश्चर्यचकित होंगे। आकलन की निम्नलिखित सबसे सरल समस्या पर विचार करें हमें एक अज्ञात स्थिरांक के माप z1, z2, cdots, zk की एक श्रृंखला दी गई है। हम additive मॉडल ज़ी एक्स vi, i 1,2, cdots, k प्रारंभ करता है 1 अंत जहां vi माप शोर है अगर कुछ भी ज्ञात नहीं है, तो हर कोई सहमत होगा कि कश्मीर माप के अनुसार x का एक उचित अनुमान शुरू किया जा सकता है hat k frac राशि zi। अब हम ऊपर दोबारा लिख ​​सकते हैं eq 2 से सरल बीजीय शुरूआत करने के लिए हेरपीप्ल हैट के टोट फ्रैक zk-hat 3 अंत ईक 3 जो ईक 2 को रिकर्सिव फॉर्म में व्यक्त किया गया है, वह एक दिलचस्प व्याख्या है। यह कहते हैं कि कश्मीर माप के बाद x का सबसे अच्छा अनुमान K-1 माप और एक सुधार शब्द के बाद एक्स का सबसे अच्छा अनुमान है सुधार शब्द के बीच का अंतर है क्या आप के -1 माप के आधार पर मापने की उम्मीद करते हैं, यानी आप वास्तव में क्या उपाय करते हैं। अगर हम पीके के रूप में सुधार के फ्रेम को लेबल करते हैं, फिर फिर से बस बीजीय हेरफेर पीके पी-पीपी 1 पी शुरू होने पर पीके के रिकर्सिव फॉर्म को लिख सकते हैं। इसे मानो या नहीं, ईक्स 3-4 को इस सरल मामला के लिए कालमैन फ़िल्टरिंग समीकरणों के रूप में पहचाना जा सकता है। कोई भी चर्चा का स्वागत किया गया है। कुछ स्वाद देने के लिए, किताबों की यह सूची देखें। मेरे पास मैटलैब के साथ ग्रेवाल एंड्रयूज हैं, यहां तक ​​कि ग्रेवाल वेइल एंड्रयूज जीपीएस। यह मूलभूत उदाहरण है, जीपीएस यहां एक सरल उदाहरण है, मैंने एक नौकरी के लिए साक्षात्कार लिया था, जहां वे सभी ट्रकों को ट्रैक करने के लिए सॉफ्टवेयर लिख रहे थे, जो एक विशाल डिलीवरी यार्ड के अंदर और बाहर जा रहे थे, वॉलमार्ट के लिए या उनके जैसे दो प्रकार के होते हैं जानकारी के आधार पर प्रत्येक ट्रक में एक आरएफआईडी डिवाइस डालने पर, उनके पास दिशा-निर्देश के बारे में बहुत अच्छी जानकारी थी, प्रत्येक ट्रक माप के साथ प्रति सेकंड कई बार संभव हो रहा था, लेकिन अंततः त्रुटि में बढ़ रहा था, जैसा कि किसी भी अनिवार्य रूप से ODE सन्निकटन किसी भी अधिक समय के पैमाने पर, वे एक ट्रक की जीपीएस स्थिति ले लो, जो बहुत अच्छा निष्पक्ष स्थान देता है, लेकिन इसका एक बड़ा विचरण होता है, आपको 100 मीटर या कुछ और के भीतर स्थिति मिलती है कि इन्हें कैसे गठबंधन किया जाता है, यह कि कलमैन फिल्टर का मुख्य उपयोग होता है, जब आपके पास दो स्रोतों की जानकारी होती है मोटे तौर पर विपरीत प्रकार की त्रुटि दे रही है मेरा विचार, जिसे मैंने उनसे कहा होगा अगर उन्होंने मुझे भुगतान किया होता, तो प्रत्येक अर्ध पर एक उपकरण लगाया जाता था जहां कैब ट्रेलर को पूरा करता है, वर्तमान मोड़ त्रिज्या देता है यह बहुत अच्छे देने के लिए एकीकृत हो सकता था ट्रक की तरफ बढ़ने की दिशा के बारे में थोड़े समय की जानकारी। वैसे, आजकल जो कुछ भी चल रहा है, वह यही है, जो कि मैंने सोचा था कि वह भारत में खेत था, जहां ट्रैक्टर थे ई चलती शरीर को उसी प्रश्न के बारे में लाने के लिए तेजी से आगे बढ़ने की आवश्यकता नहीं है, लेकिन जाहिर है, पहला प्रमुख उपयोग नासा अपोलो प्रोजेक्ट था। मेरे पिता ने कलम से मुलाकात की, कुछ समय से पिता ने नेविगेशन पर ज्यादातर काम किया, प्रारंभ में सेना के लिए मिसाइलें, बाद में नौसेना के लिए पनडुब्बियां