Sağlam Parçacık Filtresi
Robust Particle Filter · Ayrıca şöyle bilinir: RPF, robust sequential Monte Carlo, outlier-robust particle filter, heavy-tailed particle filter
Sağlam Parçacık Filtresi, doğrusal olmayan, Gauss-olmayan sistemlerde gizli durumları izleyen ve aykırı değerlere ve model yanlış belirtimine karşı dirençli kalan sıralı bir Monte Carlo yöntemidir. Standart Gauss olasılığını, ağır kuyruklu veya sınırlı etkiye sahip bir yoğunluk ile değiştirir, böylece anormal gözlemlerin önemi azaltılır ve durum tahminini raydan çıkaramaz.
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 bir sistemde ara sıra sensör arızaları, ölçüm aykırı değerleri veya ağır kuyruklu gürültüden kurtulması gereken izleme veya durum tahmini yapıldığında Sağlam Parçacık Filtresini kullanın. Gauss varsayımlarının bozulduğu bilinen hedef izleme, robot yerelleştirme ve finansal durum tahmini için doğru seçimdir. Veri ve sistem dinamiklerinin gerçekten Gauss ve iyi belirtildiği durumlarda kullanmayın - bu durumda standart bir parçacık filtresi veya Kalman filtresi daha verimlidir. Ayrıca, durum uzayı çok yüksek boyutluysa (parçacık filtreleri sağlamlıktan bağımsız olarak kötü ölçeklenir) veya gerçek zamanlı kısıtlamalar o kadar sıkıysa ki ek olasılık değerlendirmeleri karşılanamıyorsa kaçının.
Güçlü yönler & sınırlılıklar
- Doğrusallaştırma olmadan doğrusal olmayan, Gauss-olmayan dinamikleri işler.
- Ağır kuyruklu veya sınırlı etkiye sahip olasılıklarla ölçüm aykırı değerlerine karşı dirençlidir.
- Her zaman adımında yalnızca bir nokta tahmini değil, tam bir arka olasılık dağılımı üretir.
- Model yanlış belirtimi altında sapmak yerine zarif bir şekilde bozulur.
- Sağlam bir olasılığın belirtilebildiği herhangi bir durum-uzay modeline uygulanabilir.
- Hesaplama maliyeti, parçacık sayısıyla doğrusal olarak ölçeklenir, bu da yüksek boyutlu durum uzaylarını pahalı hale getirir.
- Öneri dağılımı kötü seçilirse parçacık dejenerasyonu ve fakirleşmesi hala meydana gelebilir.
- Etki fonksiyonu ve sağlamlık ayar sabiti seçimi alan uzmanlığı gerektirir.
- Performans garantilerinin doğrusal-Gauss ayarlarındaki standart Kalman filtresine göre belirlenmesi daha zordur.
SSS
Sağlam Parçacık Filtresi standart Parçacık Filtresinden nasıl farklıdır?
Standart parçacık filtresi, parçacıkları Gauss olasılığıyla puanlar, bu da tüm ağırlıkları sıfıra yaklaştıran aykırı değerlere karşı hassas hale getirir. Sağlam varyant, Gauss yerine ağır kuyruklu veya sınırlı etkiye sahip bir olasılık kullanır, böylece aşırı gözlemler filtre çökmesine neden olmak yerine önemsizleştirilir.
Hangi etki fonksiyonunu kullanmalıyım?
Yaygın seçenekler arasında bir Student-t olasılığı (ayarlanabilir serbestlik derecesi), kuyruklarda kareselden lineere geçiş yapan bir Huber fonksiyonu ve bir Cauchy olasılığı bulunur. 3-5 serbestlik dereceli Student-t, aşırı hassasiyet olmadan daha ağır kuyruklara izin veren pratik bir varsayılandır.
Kaç parçacığa ihtiyacım var?
Evrensel bir kural yoktur, ancak etkili örneklem boyutunu (ESS = 1 / kare normalize ağırlıkların toplamı) izlemek seçimi yönlendirir. N/2'nin altındaki bir ESS genellikle yeniden örneklemeyi tetikler. Birkaç yüz parçacıkla başlayın ve arka özetler bağımsız çalıştırmalar boyunca stabilize olana kadar artırın.
Ne zaman bunun yerine Sağlam Kalman Filtresini kullanmalıyım?
Temel sistem doğrusal (veya ona yakın) ve yalnızca gözlem gürültüsü ağır kuyruklu ise, sağlam bir Kalman filtresi varyantı hesaplama açısından çok daha ucuz ve analitik olarak çözülebilirdir. Hem dinamiklerin hem de gözlemlerin doğrusal olmayan veya güçlü Gauss-olmayan olduğu durumlarda Sağlam Parçacık Filtresini kullanın.
Sağlam Parçacık Filtresini Kalman Filtresi ile birleştirebilir miyim?
Evet. Rao-Blackwellleştirilmiş veya marjinalleştirilmiş parçacık filtreleri, durumun doğrusal alt yapısı için Kalman filtresinden yararlanırken, doğrusal olmayan kısımlara parçacık yaklaşımları uygular. Üstüne sağlam bir olasılık katmanı eklenebilir, bu da aykırı değer direncini korurken hesaplama tasarrufu sağlar.
Kaynaklar
- Ristic, B., Arulampalam, S. & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. ISBN: 978-1580536318
- Hurzeler, M. & Kunsch, H. R. (1998). Monte Carlo approximations for general state-space models. Journal of Computational and Graphical Statistics, 7(2), 175-193. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Particle Filter. ScholarGate. https://scholargate.app/tr/bayesian/robust-particle-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hamiltonian Monte CarloBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sağlam Kalman FiltresiBayesçi↔ karşılaştır
- Sağlam Ardışık Monte CarloBayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır