Saya menghitung filter Kalman yang sangat sederhana (random walk + noise model).
Saya menemukan bahwa output dari filter sangat mirip dengan moving average.
Apakah ada persamaan di antara keduanya?
Jika tidak, apa bedanya?
kalman-filter
RockScience
sumber
sumber
Jawaban:
Model random walk + noise dapat ditunjukkan setara dengan EWMA (moving average tertimbang secara eksponensial). Gain kalman akhirnya sama dengan bobot EWMA.
Ini ditunjukkan pada beberapa detail dalam Analisis Rangkaian Waktu oleh State Space , jika Anda Google Kalman Filter dan EWMA Anda akan menemukan sejumlah sumber daya yang membahas kesetaraan.
Bahkan Anda dapat menggunakan kesetaraan ruang keadaan untuk membangun interval kepercayaan untuk perkiraan EWMA, dll.
sumber
Untuk Memulai: Kesetaraan filter Kalman dengan EWMA hanya untuk kasus "random walk plus noise" dan dicakup dalam buku, Forecast Structural Time Series Model dan Kalman Filter oleh Andrew Harvey. Kesetaraan EWMA dengan filter Kalman untuk jalan acak dengan noise dicakup pada halaman 175 dari teks. Di sana penulis juga menyebutkan bahwa kesetaraan keduanya pertama kali ditunjukkan pada tahun 1960 dan memberikan referensi untuk itu. Berikut ini tautan untuk halaman teks tersebut: https://books.google.com/books?id=Kc6tnRHBwLcC&pg=PA175&lpg=PA175&dq=ewma+and+kalman+for+random+walk+with+noise&source=bl&ots=I3VOQsYZOC&s = RdUCwgFE1s7zrPFylF3e3HxIUNY & hl = en & sa = X & ved = 0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDAD # v = halaman & q = ewma% 20and% 20%% jalan%
Sekarang di sini adalah referensi yang mencakup ALETERNATIF untuk filter Kalman dan Extended Kalman - itu menghasilkan hasil yang cocok dengan filter Kalman tetapi hasilnya diperoleh jauh lebih cepat! Ini adalah "Penghalusan Eksponensial Ganda: Sebuah Alternatif untuk Predictive Tracking Berdasarkan Kalman Filter." Dalam Abstrak makalah (lihat di bawah) penulis menyatakan "... hasil empiris yang mendukung validitas klaim kami bahwa prediktor ini lebih cepat, lebih mudah diimplementasikan, dan berkinerja setara dengan Kalman dan prediktor pemfilteran Kalman yang diperluas ..."
http://cs.brown.edu/~jjl/pubs/kfvsexp_final_laviola.pdf
Ini adalah abstrak mereka "Kami menyajikan algoritma baru untuk pelacakan prediksi posisi pengguna dan orientasi berdasarkan smoothing eksponensial ganda. Algoritme ini, bila dibandingkan dengan Kalman dan prediktor berbasis filter Kalman diperluas dengan model pengukuran bebas derivatif, berjalan sekitar 135 kali lebih cepat dengan setara kinerja prediksi dan implementasi yang lebih sederhana. Makalah ini menjelaskan algoritma ini secara terperinci bersama dengan Kalman dan diperpanjang prediktor Filter Kalman diuji terhadap. Selain itu, kami menggambarkan rincian percobaan prediktor dan menyajikan hasil empiris yang mendukung validitas klaim kami bahwa prediktor ini adalah lebih cepat, lebih mudah diimplementasikan, dan berkinerja setara dengan Kalman dan prediktor filter Kalman yang diperluas. "
sumber