Hierarhiskais Kalmana filtrs
Hierarhiskais Kalmana filtrs (HKF) paplaicina klasisko Kalmana filtru sistēmām ar vairākiem stāvokļa attēlojuma līmeņiem vai mērogiem. Tas piemēro Kalmana rekursijas katrā hierarhijas līmenī — no rupjas uz smalku izšķirtspēju vai no globālām uz lokālām apakšsistēmām — un pārsūta informāciju starp līmeņiem, izmantojot augšupvērstas un lejupvērstas caurlaižu darbības, radot optimālus lineārus stāvokļa novērtējumus visā strukturētajā stāvokļa telpā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Chou, K. C., Willsky, A. S., & Benveniste, A. (1994). Multiscale recursive estimation, data fusion, and regularization. IEEE Transactions on Automatic Control, 39(3), 464–478. DOI: 10.1109/9.280746 ↗
- Sarkka, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press. ISBN: 978-1107619289
Kā citēt šo lapu
ScholarGate. (2026, June 3). Hierarchical Kalman Filter. ScholarGate. https://scholargate.app/lv/bayesian/hierarchical-kalman-filter
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ salīdzināt
- Kalman FilterBajesa metodes↔ salīdzināt
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →