卡尔曼滤波是什么?
标准卡尔曼滤波器
在状态空间模型框架,卡尔曼滤波器估计潜在的价值,线性、随机、动态过程根据可能量错的观察。考虑到不确定性分布假设,卡尔曼滤波器也通过最大似然估计模型参数。
从初始状态值(x0 | 0),初始状态variance-covariance矩阵(P0 | 0),所有未知参数和初始值(θ0),简单的卡尔曼滤波器:
状态预测
年代招,状态预测估计的状态t使用所有的信息(例如,观察到的反应)t- - - - - -年代。
的米t1的向量1-step-ahead,状态预测t是 。估计向量的预测
在哪里 是米t- 11过滤后的状态向量在期t- 1。
在期t、1-step-ahead状态预测variance-covariance矩阵
在哪里 是估计variance-covariance矩阵过滤状态的时期t- 1,得到的所有信息t- 1。
相应的1-step-ahead预测观察 ,其variance-covariance矩阵
一般来说,年代招,预测状态向量 。的年代招,向量的预测
和年代提前预测观测向量
过滤后的状态
状态预测在期t,更新使用的所有信息(例如观察到的反应)t。
的米t1的过滤状态向量t是 。过滤状态的估计向量
地点:
在时期是向量的预测吗t用观察到的反应从阶段1t- 1。
Kt是米t——- - - - - -ht生卡尔曼增益矩阵的时期t。
是ht1的向量估计观察创新时期t。
换句话说,过滤后的状态t预测状态时期吗t加上一个调整基于观察的可信度。值得信赖的很少有相应的观察创新方差(例如,的最大特征值DtDt′相对较小)。因此,对于一个给定的估计观察创新,这个词 有一个影响过滤状态的值高于不可靠的观测。
在期t,过滤后的州variance-covariance矩阵
在哪里 是估计variance-covariance矩阵状态预测的时期t期,考虑到所有的信息t- 1。
平滑状态
平滑状态在周期估计状态吗t使用所有可用的信息更新(例如,所有观察到的反应)。
的米t1矢量平滑状态的时期t是 。估计矢量平滑状态
地点:
平滑状态扰动
平滑状态扰动估计,状态扰动时期t使用所有可用的信息更新(例如,所有观察到的反应)。
的kt1矢量平滑的国家骚乱时期t是 。估计矢量平滑状态扰动
在哪里rt公式中的变量估计吗平滑状态。
在期t,平滑状态扰动有variance-covariance矩阵
在哪里Nt公式中的变量估计variance-covariance矩阵平滑的状态。
使用软件计算平滑估计落后的卡尔曼滤波器的递归。
预测的观察
年代提前预测观测是观察期间的估计t使用所有的信息(例如,观察到的反应)t- - - - - -年代。
的nt1 1-step-ahead向量,预测观察t是 。预测估计向量观测
在哪里 是米t1的估计向量状态预测在期t。
在期t、1-step-ahead预测观察variance-covariance矩阵
在哪里 是估计variance-covariance矩阵状态预测的时期t期,考虑到所有的信息t- 1。
一般来说,年代招,向量的预测 。的年代提前预测观测向量
平滑观察创新
平滑观察创新观察创新时期,估计吗t使用所有可用的信息更新(例如,所有观察到的反应)。
的ht1矢量平滑,观察创新时期t是 。估计矢量平滑,观察创新
地点:
在期t,平滑观察创新variance-covariance矩阵
使用软件计算平滑估计落后的卡尔曼滤波器的递归。
卡尔曼增益
的生卡尔曼增益是一个矩阵表明,多重观察在卡尔曼滤波的递归。
原始的卡尔曼增益是一个米t——- - - - - -ht矩阵计算使用
在哪里 估计variance-covariance矩阵的状态预测,给出所有信息时期t- 1。
生卡尔曼增益的值决定多少体重观察。对于一个给定的估计观察创新,如果的最大特征值DtDt′是相对较小的,那么原始的卡尔曼增益观察给予相对较大的体重。如果的最大特征值DtDt′是相对较大的,那么原始的卡尔曼增益传授在观察一个相对较小的重量。因此,过滤后的状态t接近相应的状态预测。
考虑获得1-step-ahead状态预测的时期t+ 1期使用的所有信息t。的调整卡尔曼增益( )的重量估计观察创新时期t( )相比2-step-ahead状态预测( )。
也就是说,
落后的卡尔曼滤波器的递归
落后的卡尔曼滤波器的递归估计平滑状态,状态扰动,观察创新。
软件估计平滑值:
分散卡尔曼滤波器
考虑一个写这状态空间模型米分散状态(xd)是分开的n静止的状态(x年代)。也就是说,初始分布的时刻
μd0是一个米向量的零
μ年代0是一个n向量的实数
Σd0=κI米,在那里我米是米——- - - - - -米单位矩阵,κ是一个正实数。
Σ年代0是一个n——- - - - - -n正定矩阵。
分散状态是彼此不相关的和静止的状态。
分析这样一个模型的一种方法是设置κ相对较大,正实数,然后实现标准卡尔曼滤波器(见舰导弹
)。这种治疗是一个近似分析,将分散的状态,好像他们的初始状态协方差趋于无穷。
的分散卡尔曼滤波器或exact-initial卡尔曼滤波器[67]将通过分散状态κ∞。分散卡尔曼滤波器过滤在两个阶段:第一阶段初始化模型,随后可以使用标准的卡尔曼滤波器过滤,这是第二阶段。初始化阶段反映了标准卡尔曼滤波器。它将所有初始过滤状态设置为零,然后增加向量的初始过滤与单位矩阵,组成一个(米+n)——- (米+n+ 1)矩阵。足够数量的时期后,精度矩阵非奇异的。即分散卡尔曼滤波器使用足够的时间系列的开始时初始化模型。你可以把这段时期当作presample数据。
第二阶段开始时精度矩阵是满秩。具体来说,过滤状态的初始化阶段返回一个向量矩阵及其精度。然后,标准卡尔曼滤波器使用这些估计,剩下的数据过滤,光滑,和估计参数。更多细节,请参阅dssm
和[67],5.2秒。。
引用
[1]杜宾J。,和S. J. Koopman.时间序列分析的状态空间方法。第二版》。牛津:牛津大学出版社,2012年。