Ölçüm Hatası Olan Kalman Filtresi
Kalman Filter with Explicit Measurement Error Modeling · Ayrıca şöyle bilinir: Kalman filter measurement noise, state-space model with observation error, KF with measurement uncertainty, linear quadratic estimation with observation noise
Ölçüm hatası olan Kalman filtresi, dinamik bir sistemin gerçek gizli durumunu gürültülü gözlemlerden tahmin eden özyinelemeli bir Bayesçi durum-uzay algoritmasıdır. Süreç gürültüsünü (sistem dinamiği belirsizliği) ölçüm gürültüsünden (gözlem belirsizliği) açıkça ayırır, her iki hata kaynağını da optimal filtrelenmiş durum tahminlerini ve bunlarla ilişkili belirsizliklerini elde etmek için iki adımlı bir tahmin-güncelleme döngüsünde yayar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Açık ölçüm hatası olan Kalman filtresini, verileriniz doğrudan gözlemleyemediğiniz bir sürecin zaman sıralı gürültülü gözlemleri olduğunda ve hem sistem dinamiği hem de gözlem gürültüsü yaklaşık olarak doğrusal ve Gauss olduğunda kullanın. İzleme, navigasyon, sinyal işleme, ekonometri (örneğin, gürültülü GSYİH verilerinden gözlemlenmeyen bir eğilimi tahmin etme) ve mühendislik kontrol sistemleri için idealdir. Süreç veya gözlem modeli güçlü bir şekilde doğrusal olmadığında (genişletilmiş veya unscented Kalman filtrelerini veya parçacık filtrelerini tercih edin), gürültü dağılımları ağır kuyruklu veya çok modlu olduğunda veya ölçüm hatası yapısı kötü bilindiğinde ve R anlamlı bir şekilde belirlenemediğinde kullanmayın.
Güçlü yönler & sınırlılıklar
- Gauss gürültüsü altında optimal doğrusal tahminci: durum tahminlerinin ortalama karesel hatasını en aza indirir.
- Süreç gürültüsünü ve ölçüm hatasını açıkça ve ayrı ayrı modeller, belirsizlik ayrışmasını şeffaf hale getirir.
- Hesaplama açısından verimli: tüm zaman serisini yeniden işlemeye kıyasla O(n) özyinelemeli güncellemeler.
- Her zaman adımında durum için tam sonsal ortalama ve kovaryans sağlar, belirsizlik nicelleştirmesini destekler.
- Kalman kazancı, her adımda veriye mi yoksa modele mi daha çok güvenileceğini otomatik olarak ayarlar.
- Doğal olarak yumuşatma (geriye dönük yeniden tahmin) için Kalman yumuşatıcısı aracılığıyla genişler.
- Doğrusal durum geçişi ve gözlem denklemlerini varsayar; çoğu gerçek fiziksel sistemde ihlal edilir.
- R'nin (ölçüm gürültüsü) ve Q'nun (süreç gürültüsü) doğru belirlenmesini gerektirir; yanlış belirlenmesi performansı önemli ölçüde düşürür.
- Optimalite garantileri yalnızca Gauss gürültüsü altında geçerlidir; ağır kuyruklu veya çarpık gürültü varsayımları ihlal eder.
- Kovaryans matrisleri kötü koşullandırılmışsa veya model tanımlanamazsa filtre ıraksar.
SSS
Ölçüm hatası kovaryansı R nedir ve onu nasıl seçerim?
R, her ölçülen değişken için gözlem gürültüsünün varyansını kodlayan bir matristir (ölçüm hataları bağımsız olduğunda köşegen). Pratikte R, enstrüman kalibrasyon verilerinden türetilebilir, Q ile birlikte gözlemlerin log-olabilirliklerini maksimize ederek (tahmin-hata ayrışması kullanarak) tahmin edilebilir veya alan bilgisinden belirlenebilir. Olası R değerleri üzerinde hassasiyet analizi şiddetle tavsiye edilir.
Süreç gürültüsü Q ile ölçüm hatası R arasındaki fark nedir?
Q, sistem dinamiğindeki belirsizliği yakalar — gerçek durumun adımlar arasında ne kadar öngörülemez değiştiğini. R, sensör veya enstrümandaki belirsizliği yakalar — her okumayı ne kadar gürültünün bozduğunu. Büyük bir Q, durumun düzensiz hareket ettiği anlamına gelir; büyük bir R, ölçümlerin hassas olmadığı anlamına gelir. Her ikisi de Kalman kazancını ve dolayısıyla filtrenin yeni gözlemlere ne kadar ağırlık verdiğini etkiler.
Ne zaman bunun yerine bir parçacık filtresi kullanmalıyım?
Durum geçişi veya gözlem denklemi doğrusal olmayan ve Gauss olmayan olduğunda ve doğrusallaştırma (genişletilmiş Kalman filtresindeki gibi) yetersiz olduğunda bir parçacık filtresi kullanın. Parçacık filtreleri daha esnektir ancak hesaplama açısından çok daha ağırdır. Hafif doğrusal olmayan sistemler için unscented Kalman filtresi (UKF) genellikle pratik bir orta yol sunar.
R'yi sabitlemek yerine verilerden tahmin edebilir miyim?
Evet. Kalman filtresinin tahmin-hata ayrışması, Q ve R'nin bir fonksiyonu olarak gözlemlerin log-olabilirliğini verir. Bu olabilirlik maksimize edildiğinde (veya tam bir Bayesçi durum-uzay çerçevesinde Bayesçi önsel kullanıldığında), her iki kovaryans matrisinin de veriye dayalı tahminleri elde edilir, bu da kalibrasyon bilgisi mevcut olmadığında rastgele belirlemeye tercih edilir.
Kalman yumuşatıcısı nedir ve ne zaman ona ihtiyacım var?
Kalman filtresi, yalnızca geçmiş ve mevcut gözlemleri kullanarak durumu tahmin eden ileri geçişli bir algoritmadır. Yumuşatıcı (Rauch-Tung-Striebel), geriye dönük bir geçiş çalıştırır ve tüm gözlemleri kullanarak geriye dönük tahminler üretir, bu da daha düşük belirsizlik sağlar. Gerçek zamanlı izleme yerine geçmiş analiz için mümkün olan en iyi durum tahminlerine ihtiyacınız olduğunda yumuşatıcıyı kullanın.
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 ↗
- Durbin, J. & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. ISBN: 978-0199641178
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Kalman Filter with Explicit Measurement Error Modeling. ScholarGate. https://scholargate.app/tr/bayesian/kalman-filter-with-measurement-error
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Eksik Verili Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır