Mudança Média Kalman

Eu tentei entender os filtros de Kalman. Aqui estão alguns exemplos que me ajudaram até agora: estes usam o algoritmo para estimar alguma tensão constante. Como poderia usar um filtro de Kalman para isso, seja melhor do que apenas manter uma média em execução. Esses exemplos são apenas casos de uso simplificados do filtro (se assim for, o que é um exemplo onde uma média em execução não é suficiente) Por exemplo, considere o seguinte programa Java e saída . A saída de Kalman não corresponde à média, mas eles estão muito próximos. Por que escolher um sobre o outro SIM é um exemplo simplificado, mais enganoso do que educar. Em caso afirmativo, qual é um exemplo em que uma média em execução não é suficiente. Qualquer caso quando o sinal está mudando. Imagine o veículo em movimento. Calculando média significa que assumimos o valor do sinal a partir de qualquer momento no tempo para ser igualmente importante. Obviamente, está errado. A intuição diz que a última medida é mais confiável do que a de uma hora antes. Um exemplo muito bom para experimentar é da forma frac. Tem um estado, então as equações não serão complicadas. Em tempo discreto, pode ser assim: há o código que o usa (desculpe o seu Matlab, não usei o Python recentemente): há algumas dicas: sempre configure Q e R maiores do que zero. Caso Q 0 é um exemplo muito MAU. Você diz ao filtro: não há nenhum distúrbio que atua sobre a planta, então, depois de um tempo, o filtro só criará suas predições com base no modelo, em vez de olhar para as medidas. Matemática falando Kk para 0. Como sabemos, os modelos não descrevem a realidade perfeitamente. Experimente com alguma imprecisão do modelo - modelError Altere a adivinhação inicial do estado (xpost (1)) e veja o quão rápido ele converge para diferentes P, R e Ppost inicial (1) Verifique como o ganho de filtro K muda ao longo do tempo dependendo de Q e R respondeu Oct 3 12 às 22:37 Na verdade, eles são o mesmo em certo sentido, vou mostrar o seu algo atrás do filtro de Kalman e você ficará surpreso. Considere o seguinte problema mais simples de estimação. Recebemos uma série de medidas z1, z2, cdots, zk, de uma constante constante desconhecida x. Suponhamos que o modelo aditivo comece zi x vi, i1,2, cdots, k (1) fim onde vi são ruídos de medição. Se nada mais for conhecido, todos concordarão que uma estimativa razoável de x, dado as medições k, pode ser dada por começar o k kk soma. Agora podemos reescrever acima da equação (2) por simples manipulação algébrica para começar o chapéu K hat frac (zk-hat) (3) end Eq. (3) que é simplesmente a Eq. (2) expressa em forma recursiva tem uma interpretação interessante. Ele diz que a melhor estimativa de x após a medição k é a melhor estimativa de x após as medições de k-1 mais um termo de correção. O termo de correção é a diferença entre o que você espera medir com base na medição do k-1, ou seja, e o que você realmente mede zk. Se rotularmos a correcção de fracções como Pk, então, de novo, simplesmente manipulação algébrica pode escrever a forma recursiva de Pk como começar PkP - P (P 1) P Acredite ou não, as Eqs (3-4) podem ser reconhecidas como a filtragem de Kalman Equações para este caso simples. Qualquer discussão é bem-vinda. Para dar algum sabor, veja esta lista de livros: Tenho o GrewalAndrews com o MatLab, também o GrewalWeillAndrews sobre o GPS. Esse é o exemplo fundamental, o GPS. Aqui é um exemplo simplificado, eu entrevistei por um trabalho onde eles estavam escrevendo software para acompanhar todos os caminhões entrando e saindo de um enorme pátio de entrega, para Walmart ou similares. Eles tinham dois tipos de informação: com base na colocação de um dispositivo RFID em cada caminhão, eles tinham bastante informações sobre a direção que cada caminhão estava indo com as medidas possíveis muitas vezes por segundo, mas eventualmente crescendo em erro, assim como qualquer aproximação essencialmente ODE. Em uma escala de tempo muito mais longa, eles poderiam assumir a posição GPS de um caminhão, o que dá uma posição muito boa e imparcial, mas tem uma grande variação, você obtém posição dentro de 100 metros ou algo assim. Como combinar estes É o principal uso do filtro Kalman, quando você tem duas fontes de informação que fornecem tipos de erro grosseiramente opostos. Minha idéia, que eu teria dito a eles se eles me pagassem, era colocar um dispositivo em cada semi onde o táxi encontra o trailer, dando o atual raio de giro. Isso poderia ter sido integrado para fornecer informações muito boas a curto prazo sobre a direção em que o caminhão estava indo. Bem, é o que eles fazem com quase tudo em movimento hoje em dia. Aquele que eu pensava ser fofo era fazendas na Índia, rastreando onde os tratores estavam. O corpo em movimento não precisa se mover rapidamente para fazer as mesmas perguntas. Mas, é claro, o primeiro grande uso foi o projeto da NASA Apollo. Meu pai conheceu Kalman em algum momento. Papai trabalhou principalmente na navegação, inicialmente mísseis para o exército, depois submarinos para a Marinha. Respondeu 22 de julho 12 em 19: 25kalid 2014-06-25 19:28:28 UTC 1 Armazenando notas sobre o que eles significam e como usá-los. Iniciando com o artigo Wiki. Resuma-o intuitivamente e vá daqui. Qual é a conexão com o teorema de Bayes Como podemos expressar isso de forma mais simples (com várias variáveis) antes de ir a Álgebra linear. O que é um caso de uso simples e cotidiano. O ruído é Gaussiano normalmente distribuído, o que requer outro artigo para entender verdadeiramente as implicações lá. As variações de alto nível, simétricas, são conhecidas pelo desvio padrão, etc. Se não gaussiano, Kalman ainda é o melhor estimador linear. Está bem. Como saber quando usar um estimador linear vs. não linear Pode atualizar continuamente a estimativa à medida que novos dados entraram. Lembra-me de um Filtro de Spam Bayesiano - à medida que novas mensagens entram, e você as marca spam (ou não) Estamos atualizando as tabelas que indicam a freqüência de spam de várias palavras. Filtro de Kalman semelhante (exceto em vez de spam não spam, está tentando estimar o valor de um parâmetro). Gotcha: chamou um filtro porque remove o ruído da medida. Um nome melhor seria um estimador de Kalman. Valor esperado da diferença entre x1 e seus tempos médios x2 e sua média essencial, existe alguma correlação entre x1 e x2. Onde se x1 for maior do que a média, x2 é também Usar álgebra linear para armazenar os valores de x em um vetor de coluna Precisa de um exemplo real, quer entender isso melhor. Uma vez que temos a covariância, podemos tentar extrair o barulho independente Contribuição (intuitivamente, separe as correlações principais dos aleatórios) Objetivo: encontrar um vetor que sintetize (descreva) o comportamento passado melhor. Assuma que temos um sistema dinâmico linear com ruído branco aditivo. O modelo de filtro de Kalman pressupõe que o estado de um sistema no tempo t evoluiu a partir do estado prioer no tempo t-1 de acordo com a equação: vetor xt Ftx Btut wt xt contendo termos de interesse no tempo t (ok. Esse é o estado novo ) Ut. Entradas de controle Bt. Matriz de entrada de controle que aplica o efeito de cada controle ao vetor de estado Ft. Matriz de transição de estado, aplica o efeito do parâmetro de estado no tempo anterior x ao estado atual wt. Contém ruído de processo para cada parâmetro. Estou pensando: Queremos isolar a contribuição de: Estados anteriores Controles atuais Ruído de processo de ruído aleatório (choques de fricção aleatórios na estrada) Ruído de observação (poeira no seu detector de radar) Temos o nosso sinal real (estado interno: xk) Então nós temos Nosso estado medido zk Há ruído, B. que gira zk B xk Existem duas funções de ruído wk ao aplicar a mudança de estado e vk ao fazer a medição. Então temos zk Bxk vk e xk Axe wk Preditar o estado atual com base no último estado, levando o ruído para a atualização da conta: leva os valores medidos e atualiza a estimativa do estado Hrm. Tenha uma seqüência de dados chegando. Como um filtro bayesiano. Você cria um modelo e começa a ajustá-lo à medida que você obtém outro ponto de dados. Pense em alguma analogia: cada ponto de dados que você obtém ajuda a esclarecer sua estimativa. Mas você sabe que é provável que haja ruído, então você precisa se ajustar para isso. Ideia: faça um simulador de filtro kalman javascript para ver o que está fazendo cenário SIMPLES: usamos uma média em execução. Cenário melhor: usamos um filtro Kalman para obter uma previsão e representar o ruído. E com um sinal em mudança. Intuição: o filtro Kalman é uma média de execução mais geral. Pode explicar uma variável em mudança. Idéia: modifique isso. Veja se pode prever um caminho melhor. Contraste com uma média de corrida. Kalmanfilterdemo. png 785x311 22,9 KB Objetivo: melhor suavização. Média móvel simples, aproximação polinomial, etc. Para ler: Kalman Filter GPS cs. unc. edu intuição rápida: eu fiz algumas cavadas, demorarei mais tempo para obter uma intuição sólida, mas entendeu minha compreensão. Digamos que temos um monte de dados chegando, e queremos fazer uma previsão sobre o próximo ponto, veja. Uma abordagem simples pode ser tomar uma média móvel simples dos últimos pontos e assumir que o novo ponto será naquela média. Digamos que nosso primeiro ponto é 1. Não podemos realmente fazer uma boa previsão, mas vamos adivinhar que o próximo ponto é 1 também. O segundo ponto é 5. Whoops, nós estávamos fora. Ok, vamos adivinhar que o próximo ponto será 3 (a média). O próximo ponto é 9. Whoops, nós estávamos fora novamente. Vamos adivinhar que o próximo ponto é a média dos que vimos até agora, ou (1 5 9) 3 5. O próximo ponto é 14. Oups, desligado novamente. Um ser humano notaria rapidamente que Hey, essa média móvel não está funcionando muito bem. Os pontos estão aumentando 4 ou 5 cada vez e estamos realmente subestimando o próximo ponto. O filtro de Kalman é como uma média móvel mais avançada, que acompanha o quão longe estava fora e tenta ajustar suas previsões à medida que elas entram. Pode olhar para trás nos itens anteriores e pensar qual modelo teria funcionado bem como eu era Obtendo esses pontos de dados. Ele só pode lidar com sistemas com certas condições (linear, invariante no tempo), mas faz previsões muito melhores do que uma média móvel direta. Neste caso, pode dizer algo como: xnew xold 4.5 Uma aplicação para filtros de Kalman para navegação, GPS, etc. é que sabemos que projéteis, carros, pessoas estão se movendo em caminhos bastante previsíveis. O filtro Kalman pode rapidamente obter uma estimativa precisa do caminho em comparação com uma média móvel, que é muito lenta para atualizar e sempre um passo atrás, parece. Essa é a minha intuição de muito alto nível até agora. Intuição de chaves: o filtro de Kalman é uma média móvel extravagante. Em vez de uma predição estática (aqui é a média), você dá uma equação para o caminho que você vai tomar. (Em um caso simples, ele também pode prever um valor estático). O molho secreto é que ele filtra o ruído. Qualquer caminho de dados que você tenha tenha ruído nele. Kalid 2014-06-25 23:04:59 UTC 2 Meta-notas sobre minha estratégia de aprendizagem 1) Pesquisa Wikipedia. Escolha algumas palavras-chave. Por que é um filtro Na verdade, é um estimador. Isso é realmente bom na filtragem de ruído. 2) Comece a procurar no YouTube, no Google, etc. para apresentações. Os vídeos mais curtos são melhores :). Alguns exemplos: previsão do preço do mercado de ações. Navigationpathfinding. Física. Rastreamento facial. Afirmou ser um dos avanços mais importantes do século XX. Wow Por que nunca ouvimos falar sobre isso 3) Veja se você pode encontrar um cenário muito simples. O que parece aqui, suas médias móveis. Havia uma questão de sobreposição de pilha sobre como o filtro de Kalman era diferente. Compare e contraste com o que você conhece Os filtros de Kalman são como melhores médias móveis porque. 4) Existem demonstrações em que realmente podemos entender o que está acontecendo nas demonstrações de Javascript para localizar a posição do clique. Aprenda a separar o objetivo (construir um sistema de previsão) dos detalhes de implementação (álgebra linear, etc.) Powered by Discourse. Melhor visualizado com JavaScript ativado Filtro Kalman - Nova Média em Movimento Inscrito em maio de 2008 Status: Membro 58 Posts Anexado é a versão cumprida para o quadro de tempo múltiplo e o quadro de tempo único Kalman Filter. Basta pensar nisso como um tipo diferente de média móvel exponencial. As configurações são diretas. Para AppliedPrice, use o seguinte: 0 - Open Price 1 - Low Price 2 - High Price 3 - Close Price Eu não tenho outros tipos de preços adicionados, e devido à natureza do filtro, não vou adicionar mais nenhum. Gostaria de mencionar que o período é um pouco diferente do que você está acostumado nas MAs. Ainda é tecnicamente o mesmo que o período em uma EMA, mas devido à natureza do filtro de Kalman, o período não tem o mesmo efeito que em outras médias móveis. Você pode brincar com isso, mas uma sugestão pessoal é manter o período em 20,50,100 ou superior. O Kalman está configurado para algumas configurações genéricas no momento, mas se alguém tiver a ambição de mexer com as matrizes que usa para os cálculos, avise-me e vou atirar o código no seu caminho. Uma vez que, como você vai notar, o Kalman normal realmente não pode ser um indicador de tendência de longo prazo como 200 SMA, você pode usar a versão múltipla do tempo para executar o Kalman em intervalos de tempo mais longos e usá-lo como um indicador de Quotstra. Pessoalmente Eu prefiro isso, pois cria menos lag e simula o quotlooking no gráfico mais longo para garantir que os sinais correspondam à teoria. Uma idéia é traçar um Daily ou H4 Kalman em um gráfico de 15 ou 30 min, e usá-lo para jogar fora a tendência de longo prazo para esse dia. Eu acabei de depurar o indicador hoje e, embora altamente útil, esta versão do indicador não é realmente o meu foco agora. Eu trabalho em otimizar isso para minhas necessidades específicas, o que envolve algum trabalho de matemática pesado, mas esta versão é configurada para ser um manequim quotmiddle na batalha do tempo de resposta e suavidade que os MAs sempre experimentam. Além disso, desde que acabei de terminar hoje, não tenho uma estratégia que esteja sendo aplicada atualmente, e não tenho uma estrada dourada para riquezas apenas usando um filtro mais suave. Use o filtro como quiser, talvez, se você brincar com ele e se tornar criativo, talvez possa encontrar seu caminho para sua próxima estratégia de negociação. Diferentes períodos de Kalman - Blue: 500 Kalman - Light Blue: 200 Kalman - Green: 100 Kalman - Red: 50 Kalman - Orange: 20 Kalman i295.photobucketalbumsm. Manperiods. gif Kissn até o topo Os membros devem ter no mínimo 0 comprovantes para postar neste tópico. 0 comerciantes que visualizam agora Forex Factoryreg é uma marca registrada.