Obliczam bardzo prosty filtr Kalmana (model chodzenia losowego + szum).
Uważam, że wydajność filtra jest bardzo podobna do średniej ruchomej.
Czy istnieje równoważność między nimi?
Jeśli nie, jaka jest różnica?
kalman-filter
RockScience
źródło
źródło
Odpowiedzi:
Model losowego chodzenia i hałasu może być równoważny z EWMA (wykładniczo ważoną średnią ruchomą). Wzmocnienie kalmana kończy się tak samo jak ważenie EWMA.
Jest to pokazane z niektórymi szczegółami w analizie szeregów czasowych według przestrzeni kosmicznej , jeśli Google Kalman Filter i EWMA znajdziesz szereg zasobów, które omawiają równoważność.
W rzeczywistości można użyć równoważności przestrzeni stanu do budowania przedziałów ufności dla oszacowań EWMA itp.
źródło
Na początek: równoważność filtra Kalmana z EWMA dotyczy tylko przypadku „losowego marszu plus hałas” i jest opisana w książce, Prognozowany model szeregów czasowych i Filtr Kalmana autorstwa Andrew Harveya. Równoważność EWMA z filtrem Kalmana dla przypadkowego chodzenia z hałasem została omówiona na stronie 175 tekstu. Tam autor wspomina również, że równoważność tych dwóch wykazano po raz pierwszy w 1960 roku i podaje odniesienie do tego. Oto link do tej strony tekstu: 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 = na stronie i q = ewma% 20 i% 20kalman% 20 dla% 20% i%% fałsz 20%
Teraz jest odniesienie, które obejmuje ALETERNATIVE do filtrów Kalmana i Extended Kalmana - dało wyniki, które pasują do filtra Kalmana, ale wyniki są uzyskiwane znacznie szybciej! Jest to „Podwójne wygładzanie wygładzające: alternatywa dla predykcyjnego śledzenia opartego na filtrze Kalmana”. W streszczeniu artykułu (patrz poniżej) autorzy stwierdzają „... wyniki empiryczne potwierdzające słuszność naszych twierdzeń, że te predyktory są szybsze, łatwiejsze do wdrożenia i działają równorzędnie z Kalmanem i rozszerzonymi predyktorami filtrującymi Kalmana ...”
http://cs.brown.edu/~jjl/pubs/kfvsexp_final_laviola.pdf
Oto ich streszczenie „Prezentujemy nowe algorytmy do predykcyjnego śledzenia pozycji i orientacji użytkownika w oparciu o podwójne wygładzanie wykładnicze. Algorytmy te, w porównaniu z Kalmanem i rozszerzonymi predyktorami opartymi na filtrze Kalmana z modelami pomiarowymi bez pochodnych, działają około 135 razy szybciej z równoważnym wydajność prognozowania i prostsze implementacje. W niniejszym artykule szczegółowo opisano te algorytmy wraz z testowanymi predyktorami Kalmana i rozszerzonych filtrów Kalmana. Ponadto opisujemy szczegóły eksperymentu predykcyjnego i przedstawiamy wyniki empiryczne potwierdzające słuszność naszych twierdzeń, że predyktory te są szybsze, łatwiejsze do wdrożenia i równoważne z Kalmanem i rozszerzonymi predyktorami filtrowania Kalmana ”.
źródło