Hiyerarşik Kalman Filtresi
Hierarchical Kalman Filter · Ayrıca şöyle bilinir: multi-scale Kalman filter, multilevel Kalman filter, hierarchical state-space filter, HKF
Hiyerarşik Kalman Filtresi (HKF), klasik Kalman filtresini çoklu düzey veya ölçekte durum temsili olan sistemlere genişletir. Bir hiyerarşinin her düzeyinde — kaba çözünürlükten inceye veya küresel alt sistemlerden yerel alt sistemlere — Kalman tekrarlarını uygular ve bilgiyi yukarı ve aşağı taramalar yoluyla düzeyler arasında ileterek yapılandırılmış bir durum uzayında optimal doğrusal durum tahminleri üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verilerin veya dinamiklerin gerçekten birden çok çözünürlükte veya düzeyde çalıştığı durumlarda Hiyerarşik Kalman Filtresini kullanın — örneğin, çok çözünürlüklü sensör füzyonu, çok ölçekli sinyal işleme veya yerel ve küresel bileşenlere sahip ağa bağlı dinamik sistemler. Tam birleştirilmiş durum vektörü üzerindeki düz bir Kalman filtresinin hesaplama açısından elverişsiz olduğu büyük yapılandırılmış sistemler için uygundur. Dinamikleri zaten tek düzeyli bir Kalman filtresinin yakaladığı durumlarda, hiyerarşik yapının fiziksel veya modelleme gerekçesi olmadan yapay olarak dayatıldığı durumlarda veya durum geçişlerinin güçlü bir şekilde doğrusal olmadığı durumlarda (bunun yerine hiyerarşik parçacık filtreleri veya sigma noktası yöntemleri tercih edilir) kullanmayın.
Güçlü yönler & sınırlılıklar
- Yapıyı göz ardı etmeden, prensipli bir Bayes çerçevesinde çok çözünürlüklü ve çok düzeyli verileri işler.
- Düzeyler koşullu olarak bağımsızsa, tam birleştirilmiş durum vektörü üzerindeki düz bir Kalman filtresinden hesaplama açısından daha verimlidir.
- Herhangi bir düzeydeki gözlemlerden gelen bilgi, tüm hiyerarşiye yayılır ve her yerdeki tahminleri iyileştirir.
- Her düzeyde tam artçı dağılımlar (ortalamalar ve kovaryanslar) elde eder, belirsizlik farkındalığı olan kararları destekler.
- Düzeltme uzantıları, tüm zaman serisi boyunca geriye dönük iyileştirme sağlar.
- Her düzeyde doğrusal Gauss dinamiklerini varsayar; yanlış belirtme, suboptimal ve potansiyel olarak yanlı tahminlere yol açar.
- Hiyerarşiyi tasarlamak (düzeyleri, her düzeydeki geçiş ve gözlem modellerini seçmek) alan uzmanlığı gerektirir ve önemsiz değildir.
- Düzeyler arası bilgi geçirme taramaları, düz bir Kalman filtresine kıyasla uygulama karmaşıklığı ekler.
- Hesaplama tasarrufları yalnızca hiyerarşik yapı koşullu bağımsızlığı zorluyorsa gerçekleşir; yoğun düzeyler arası bağlantılar avantajı ortadan kaldırabilir.
SSS
Hiyerarşik Kalman Filtresi, her düzeyde ayrı ayrı Kalman filtreleri çalıştırmaktan nasıl farklıdır?
Her düzeydeki ayrı filtreler, düzeyler arası bağımlılıkları göz ardı eder ve düzeyler arasında bilgi aktaramaz. HKF, yeterli istatistikleri yukarı doğru ve düzeltmeleri aşağı doğru açıkça iletir, böylece bir düzeydeki gözlemler diğer tüm düzeylerdeki tahminleri iyileştirir — bağımsız filtrelerin başaramayacağı bir şey.
Hiyerarşik Kalman Filtresi, çok düzeyli bir durum-uzay modeli ile aynı şey midir?
Aynı model sınıfını farklı açılardan tanımlarlar. Çok düzeyli bir durum-uzay modeli, üretken yapıyı belirtir; Hiyerarşik Kalman Filtresi, bu yapı içinde optimal doğrusal tahminleri hesaplayan verimli özyinelemeli algoritmadır.
Dinamiklerim doğrusal değilse ne olur?
Her düzeyde ilgili doğrusallaştırma veya sigma noktası yaklaşımını uygulayarak hiyerarşik bir genişletilmiş Kalman filtresine (EKF) veya unscented Kalman filtresine (UKF) genişletin. Güçlü doğrusal olmayan veya Gauss olmayan dinamikler için, hiyerarşik bir parçacık filtresi daha uygundur.
Hiyerarşinin doğru bir şekilde belirtildiğini nasıl doğrularım?
Her düzeyde normalleştirilmiş yenilik kare (NIS) testlerini kullanın: yenilikler, tahmin edilen yenilik kovaryansı ile tutarlıysa, model o düzeyde iyi belirtilmiştir. Kalıcı NIS başarısızlıkları, yanlış belirtilmiş geçiş veya gözlem modellerini işaret eder.
HKF her düzeyde gözlem gerektirir mi?
Hayır. Doğrudan gözlemi olmayan düzeyler bile düzeyler arası bilgi taramaları yoluyla güncellenmiş artçı dağılımlar alır. Filtre, kısmen gözlemlenen hiyerarşileri doğal olarak ele alır, ancak doğrudan veya dolaylı olarak hiçbir gözlemi olmayan düzeyler önsel değerlerinde kalacaktır.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hierarchical Kalman Filter. ScholarGate. https://scholargate.app/tr/bayesian/hierarchical-kalman-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır