Ölçüm Hatası İçeren Parçacık Filtresi
Sequential Monte Carlo Particle Filter with Explicit Measurement Error · Ayrıca şöyle bilinir: SMC with measurement noise, bootstrap filter with observation error, nonlinear particle filter, particle filter state-space model
Ölçüm hatası içeren bir parçacık filtresi, doğrusal olmayan, Gauss-olmayan dinamik bir sistemin gizli durumunu izlerken gözlemlerdeki gürültüyü resmi olarak modelleyen bir Ardışık Monte Carlo algoritmasıdır. Ağırlıklı rastgele örneklerden (parçacıklar) oluşan bir popülasyon, her zaman adımında son durum dağılımını temsil eder ve bir gözlem olasılık fonksiyonu, her bir parçacığın gürültülü ölçümle ne kadar tutarlı olduğunu nicelleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğrusal olmayan veya Gauss-olmayan dinamik bir sistemden ardışık verileriniz olduğunda ve gözlemler, örneğin radar takibi gibi, açıkça modellenmesi gereken önemsiz olmayan gürültü ile bozulduğunda (klutter ile), finansal durum tahmini (fat-tailed gözlem gürültüsü ile) veya ekolojik popülasyon anketleri (belirsiz sayımlarla) ölçüm hatası içeren bir parçacık filtresi kullanın. Ayrıca, dinamikler veya ölçüm modeli doğrusal olmadığında bir Kalman filtresinin uygulanamadığı durumlarda da doğru araçtır. Sistem doğrusal-Gauss olduğunda (Kalman filtresi o zaman optimal ve çok daha ucuzdur), N yüksek boyutlu bir durum uzayını kapsamak için çok büyük olmalıysa (boyutluluk laneti, naif parçacık filtrelerini pratik olmaktan çıkarır) veya özel uygulamalar olmadan mütevazı donanımda gerçek zamanlı performans gerekiyorsa bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tam doğrusal olmayan durum geçişlerini ve Gauss-olmayan gözlem gürültüsünü yaklaşıklık olmaksızın işler.
- Gizli durumun tam son dağılımını, sadece ortalamasını ve varyansını değil, açıkça temsil eder.
- Ağırlıklı olasılıklar dahil olmak üzere herhangi bir parametrik ölçüm hatası dağılımını doğal olarak barındırır.
- Kavramsal olarak basittir: yay, olasılıkla ağırlıklandır, yeniden örnekle.
- Eksik zaman noktaları için ağırlıklandırma adımı atlanarak eksik gözlemleri doğal olarak içerir.
- Hesaplama maliyeti N ile doğrusal olarak artar ve yüksek boyutlu durum uzayları için engelleyici olabilir.
- Dikkatli yeniden örnekleme stratejileri olmadan ağırlık dejenerasyonu ve parçacık fakirleşmesi meydana gelebilir.
- Ölçüm modeli doğru bir şekilde belirtilmelidir; yanlış belirtilmiş bir olasılık son doğruluğu bozar.
- Monte Carlo tahminlerinin varyansı yalnızca 1/sqrt(N) olarak azalır, bu da yüksek doğruluk için büyük N gerektirir.
SSS
Bu standart bir Kalman filtresinden nasıl farklıdır?
Kalman filtresi yalnızca hem dinamikler hem de ölçüm denklemi doğrusal olduğunda ve tüm gürültü Gauss olduğunda optimaldir. Ölçüm hatası içeren bir parçacık filtresi böyle varsayımlar yapmaz: daha yüksek hesaplama maliyeti pahasına keyfi doğrusal olmayanları ve herhangi bir gürültü dağılımını işler.
Kaç parçacığa ihtiyacım var?
Evrensel bir cevap yoktur: durumun boyutuna, sonun keskinliğine ve gerekli doğruluğa bağlıdır. Pratik kılavuz, düşük boyutlu problemler için N = 500–2000 ile başlamayı ve etkili örneklem boyutunu (ESS = 1 / sum(w_i^2)) izlemeyi önerir — ESS, N/2'nin altına düşerse, N'yi artırın veya daha verimli bir öneriye geçin.
Ölçüm modelim yanlışsa ne olur?
Yanlış belirtilmiş bir olasılık, tüm parçacıkların yanlış ağırlıklar almasına neden olur. Gerçek gürültü varsayılanından daha ağır kuyrukluysa (örneğin, Gauss varsayıldı ancak aslında Student-t), aykırı değerler neredeyse imkansız gözlemler olarak ele alınır ve filtrenin gerçek durumu takip etmesini kaybetmesine neden olabilir. Her zaman ölçüm modelini ayrılmış verilere veya artık tanılamalara karşı doğrulayın.
Parçacık filtrelemesini zaman serisi olmayan problemlere uygulayabilir miyim?
Parçacık filtrelemesi, dinamik durum-uzay modellerinde ardışık (zaman sıralı) çıkarım için özel olarak tasarlanmıştır. Zamansal yapı olmadan statik Bayesçi çıkarım için, standart MCMC veya varyasyonel Bayes daha uygundur.
Ağırlık dejenerasyonu nedir ve nasıl düzeltilir?
Birçok adımdan sonra, neredeyse tüm ağırlık tek bir parçacık üzerinde yoğunlaşırken diğerleri ihmal edilebilir ağırlık taşır — bu dejenerasyondur. Standart düzeltme, ESS bir eşiğin altına düştüğünde tetiklenen sistematik veya tabakalı yeniden örneklemedir ve parçacık çeşitliliğini korumak için yeterince büyük bir N ile birleştirilir.
Kaynaklar
- Gordon, N. J., Salmond, D. J., & Smith, A. F. M. (1993). Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F – Radar and Signal Processing, 140(2), 107–113. DOI: 10.1049/ip-f-2.1993.0015 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Sequential Monte Carlo Particle Filter with Explicit Measurement Error. ScholarGate. https://scholargate.app/tr/bayesian/particle-filter-with-measurement-error
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genişletilmiş Kalman Filtresi (EKF)Kontrol teorisi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır
- Unscented Kalman FiltresiKontrol teorisi↔ karşılaştır