Zaman Serisi Parçacık Filtresi
Time Series Particle Filter (Sequential Monte Carlo for State-Space Models) · Ayrıca şöyle bilinir: SMC for time series, bootstrap particle filter, sequential importance resampling, particle filtering
Zaman serisi parçacık filtresi, yeni gözlemler tek tek geldikçe, doğrusal olmayan, Gauss-olmayan bir durum-uzay modelinin gizli durumunu izleyen bir Ardışık Monte Carlo yöntemidir. Gizli durum üzerindeki gelişen sonsal dağılımı, her zaman adımında yayılma, olasılık ağırlıklandırma ve yeniden örnekleme yoluyla güncelleyerek rastgele örneklerin (parçacıkların) ağırlıklı bir bulutu olarak temsil eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Durum-uzay modeli doğrusal olmayan olduğunda veya süreç veya gözlem gürültüsü Gauss-olmayan olduğunda — Kalman filtresinin yalnızca teoride kesin olduğu ancak pratikte yanlı olduğu durumlar — zaman serisi parçacık filtresini kullanın. Nesne takibi, hedef yerelleştirme, stokastik volatilite tahmini, epidemiyolojik gözetim ve sonsalın çok modlu veya ağır kuyruklu olduğu herhangi bir ardışık tahmin problemi için tercih edilen yöntemdir. Donanımınızda karşılanabilir N'nin (parçacık sayısı) durum boyutuna göre çok küçük olduğu durumlarda kaçının, çünkü yüksek boyutlarda ağırlık yozlaşması şiddetlidir (boyutluluk laneti). Doğrusal-Gauss modelleri için Kalman filtresi kesindir ve çok daha ucuzdur. Çok yüksek boyutlu durum uzayları için topluluk Kalman filtresi veya diğer ölçeklenebilir alternatifleri düşünün.
Güçlü yönler & sınırlılıklar
- Herhangi bir doğrusal olmayan geçiş ve gözlem modelini doğrusallaştırma yaklaşımları olmadan ele alır.
- Gauss-olmayan, çok modlu ve ağır kuyruklu gürültü dağılımlarını doğal olarak barındırır.
- Her zaman adımında yalnızca bir nokta tahmini değil, gizli durum üzerinde tam bir yaklaşık sonsal sağlar.
- Asimptotik olarak tutarlıdır: N büyüdükçe parçacık yaklaşımı gerçek filtreleme dağılımına yakınsar.
- Parametre tahmini (parçacık MCMC, SMC-squared) ve düzeltme (geriye doğru simülasyon) ile kolayca genişletilebilir.
- Hesaplama maliyeti N ile doğrusal olarak ölçeklenir, bu da karmaşık sonsallar için büyük olması gerekebilir.
- Yüksek durum boyutlarında ağırlık yozlaşmasından muzdariptir (boyutluluk laneti), özel yöntemler gerektirir.
- Standart algoritmalar filtrelenmiş tahminler üretir; düzeltilmiş tahminler elde etmek ek geriye doğru geçişler gerektirir.
- Öneri dağılımını ve yeniden örnekleme programını seçmek, iyi performans elde etmek için uzmanlık gerektirir.
SSS
Kaç parçacığa ihtiyacım var?
Evrensel bir kural yoktur. Düşük boyutlu durum uzayları (boyut 1-5) için yaygın başlangıç noktaları N = 500 ila N = 5000'dir. Filtreyi artan N ile çalıştırın ve sonsal özetlerin kararlı hale gelip gelmediğini izleyin. Her adımdaki etkin örneklem boyutu (ESS), faydalı bir tanılama aracıdır; ESS düzenli olarak N/10'un altına düşerse, N'yi artırın veya öneriyi iyileştirin.
Bu, Kalman filtresinden nasıl farklıdır?
Kalman filtresi yalnızca doğrusal-Gauss durum-uzay modelleri için kesindir ve bir ortalama ve kovaryans ile tanımlanan Gauss sonsalını döndürür. Parçacık filtresi, daha fazla hesaplama maliyetiyle herhangi bir doğrusal olmayan, Gauss-olmayan modelle çalışan genel bir yaklaşımdır. Doğrusal-Gauss modelleri için Kalman filtresi tercih edilir; diğer her şey için parçacık filtresi (veya genişletilmiş/unsented bir varyantı) gereklidir.
Parçacık yozlaşması nedir ve nasıl düzeltilir?
Yozlaşma, neredeyse tüm normalleştirilmiş ağırlığın tek bir parçacıkta yoğunlaştığı, böylece etkin örneklem boyutunun çöktüğü durumlarda meydana gelir. Standart düzeltme yeniden örneklemedir: düşük ağırlıklı parçacıkları yüksek ağırlıklı olanların kopyalarıyla değiştirin. Uyarlanabilir yeniden örnekleme — yalnızca ESS bir eşiğin altına düştüğünde tetiklenir — varyans azaltmayı parçacık çeşitliliğini bozma maliyetine karşı dengeler.
Gizli durumun yanı sıra model parametrelerini de tahmin edebilir miyim?
Evet. Parçacık MCMC (Andrieu, Doucet & Holenstein, 2010), parametreler için bir MCMC örnekleyicisi içinde parçacık filtre olasılık tahminlerini kullanır. SMC-squared (Chopin, Jacob & Papaspiliopoulos, 2013), parametreler üzerinde ikinci bir SMC katmanı çalıştırır. Her ikisi de yalnızca filtrelemeden önemli ölçüde daha pahalıdır.
Parçacık filtresi Ardışık Monte Carlo ile aynı mıdır?
Parçacık filtresi, Ardışık Monte Carlo'nun (SMC) durum-uzay filtrelemesine özel uygulamasıdır. SMC, statik model tahmini (temperleme yoluyla) ve normalleştirme sabiti hesaplamayı da kapsayan daha geniş bir ailedir, bu nedenle her parçacık filtresi bir SMC algoritmasıdır ancak tersi değildir.
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). Time Series Particle Filter (Sequential Monte Carlo for State-Space Models). ScholarGate. https://scholargate.app/tr/bayesian/time-series-particle-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Bayes AğıBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır
- Zaman Serisi Bayesyen ÇıkarımıBayesçi↔ karşılaştır
- Zaman Serisi Kalman FiltresiBayesçi↔ karşılaştır