Kalman Filtresi
Kalman Filter (Linear-Gaussian State-Space Filter) · Ayrıca şöyle bilinir: linear quadratic estimator, LQE, Kalman-Bucy filter, optimal recursive filter
Kalman filtresi, gürültülü ölçümlerden doğrusal bir dinamik sistemin gizli durumunu tahmin etmek için kullanılan optimal, özyinelemeli bir algoritmadır. Her zaman adımında, sistem modelini kullanarak durumu ileriye doğru yansıtan bir tahmin adımı ile yeni gözlemi kullanarak tahmini düzelten bir güncelleme adımı arasında gidip gelir ve gerçek zamanlı olarak minimum varyanslı durum tahminleri ve belirsizliklerini üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+39 tane daha
Ne zaman kullanılır
Sisteminiz doğrusal, gürültü Gauss ve sıralı ölçümlerden gerçek zamanlı veya özyinelemeli durum tahmini gerekiyorsa Kalman filtresini kullanın — tipik örnekler arasında sensör füzyonu, navigasyon (GPS/IMU), hedef takibi ve ekonometrik durum-uzay modelleri bulunur. Bu varsayımlar altında en uygun filtredir ve örnekleme yapmadan kapalı formda çalışır. Sistem dinamikleri veya gözlem modeli doğrusal değilse (Bunun yerine Genişletilmiş veya Kokulu Kalman filtresi veya parçacık filtresi kullanın), gürültü dağılımları ağır kuyruklu veya çok modlu ise veya durum-uzay boyutu matris terslerinin imkansız hale geldiği kadar büyükse kullanmayın.
Güçlü yönler & sınırlılıklar
- Hesaplama açısından verimli ve özyinelemeli: her güncelleme durum boyutunda O(n^3)'tür ve geçmiş verilerin depolanmasını gerektirmez.
- Gauss gürültüsü varsayımları altında optimal (minimum ortalama karesel hata) doğrusal tahminci.
- Her durum tahmini için kovaryans matrisi aracılığıyla doğal olarak belirsizlik tahminleri sağlar.
- Güncelleme adımını atlayarak ve tahmin edilen dağılımı olduğu gibi taşıyarak eksik gözlemleri zarif bir şekilde ele alır.
- Navigasyon, sinyal işleme ve finans alanlarında onlarca yıllık mühendislik doğrulaması ile iyi anlaşılmış bir teori.
- Doğrusal durum geçişi ve gözlem modellerini varsayar — çoğu gerçek dünya doğrusal olmayan sisteminde ihlal edilir.
- Gauss gürültüsü gerektirir; ağır kuyruklu veya çok modlu gürültü optimalite garantilerini bozar.
- Performans, genellikle bilinmeyen ve ayarlanması veya tahmin edilmesi gereken Q (işlem gürültüsü) ve R (ölçüm gürültüsü) kovaryanslarının doğru belirlenmesine kritik derecede bağlıdır.
- Model yanlış belirtilmişse veya başlangıç kovaryansı kötü seçilmişse sapabilir.
SSS
Kalman filtresi ile parçacık filtresi arasındaki fark nedir?
Kalman filtresi kesin ve kapalı formdadır ancak doğrusal-Gauss sistemleriyle sınırlıdır. Parçacık filtresi (sıralı Monte Carlo), ağırlıklı örnek bulutunu kullanarak posterioru temsil eder ve doğrusal olmayan, Gauss olmayan modelleri işleyebilir, ancak bu çok daha fazla hesaplama ve varyans maliyetine yol açar.
Q ve R'yi nasıl seçerim?
R (ölçüm gürültüsü) genellikle sensör spesifikasyonlarından veya kalibrasyon verilerinden elde edilir. Q (işlem gürültüsü) daha zordur — modellenmemiş bozulmalar hakkındaki fiziksel akıl yürütmeden başlayın, ardından verilerden Q'yu tahmin etmek için normalize edilmiş yenilik kare (NIS) testleri veya beklenti-maksimizasyon (EM) kullanarak iyileştirin.
Genişletilmiş Kalman Filtresi (EKF) nedir?
EKF, doğrusal olmayan durum ve gözlem fonksiyonlarını birinci dereceden Taylor açılımı kullanarak mevcut durum tahmini etrafında doğrusallaştırır, ardından standart Kalman güncellemesini uygular. Robotik ve navigasyonda yaygın olarak kullanılır ancak doğrusal olmama durumu güçlü olduğunda sapabilir. Kokulu Kalman Filtresi (UKF), deterministik bir sigma-nokta yaklaşımı kullanır ve genellikle daha doğrudur.
Kalman filtresi Bayesçi midir?
Evet. Doğrusal-Gauss sistemleri için özyinelemeli Bayesçi filtrelemenin kesin çözümüdür. Tahmin adımı Chapman-Kolmogorov önselini hesaplar ve güncelleme adımı Bayes kuralını uygular; hem önsel hem de olasılık fonksiyonu Gauss olduğundan, posterior da Gauss'tur ve kesin olarak hesaplanır.
Kalman filtresi eksik gözlemleri işleyebilir mi?
Evet. t zamanında bir ölçüm eksik olduğunda, güncelleme adımını atlayın ve tahmin edilen dağılımı posterior olarak ileriye taşıyın. Bu, özyinelemeli Bayesçi çerçevenin pratik avantajlarından biridir.
Kaynaklar
- Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45. DOI: 10.1115/1.3662552 ↗
- Welch, G. & Bishop, G. (2006). An Introduction to the Kalman Filter. University of North Carolina at Chapel Hill, Technical Report TR 95-041. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Kalman Filter (Linear-Gaussian State-Space Filter). ScholarGate. https://scholargate.app/tr/bayesian/kalman-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Dinamik Bayes AğıBayesçi↔ karşılaştır
- Genişletilmiş Kalman Filtresi (EKF)Kontrol teorisi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır