ज्यादातर अक्सर कलमन फ़िल्टर शोर मैट्रिस को ट्यून करके परीक्षण और त्रुटि या डोमेन ज्ञान द्वारा किया जाता है। क्या सभी कलमन फ़िल्टर मापदंडों को ट्यून करने के लिए अधिक राजसी तरीके हैं?
ज्यादातर अक्सर कलमन फ़िल्टर शोर मैट्रिस को ट्यून करके परीक्षण और त्रुटि या डोमेन ज्ञान द्वारा किया जाता है। क्या सभी कलमन फ़िल्टर मापदंडों को ट्यून करने के लिए अधिक राजसी तरीके हैं?
जवाबों:
आप प्रायोगिक डेटा प्राप्त कर सकते हैं, और प्रक्रिया शोर (समय कदमों के बीच शोर), और सेंसर शोर (एक जमीनी सच्चाई की तुलना में) निर्धारित करने के लिए कुछ सांख्यिकीय विश्लेषण करते हैं।
सेंसर शोर के लिए जमीनी सच्चाई प्राप्त करने के लिए, आपको या तो एक अधिक सटीक सेंसर की आवश्यकता होती है, या किसी ज्ञात (आमतौर पर तय) मूल्य पर ब्याज की स्थिति रखते हुए प्रयोगात्मक रूप से परीक्षण करना चाहिए।
यदि आपके पास प्रयोगात्मक डेटा नहीं है, तो आप इसके शोर को निर्धारित करने के लिए प्रत्येक सेंसर के लिए डेटाशीट या विनिर्देशों का उपयोग कर सकते हैं। इस उदाहरण में प्रक्रिया का शोर अधिक कठिन होगा, लेकिन हो सकता है कि आप इसकी कीमत का अंदाजा लगाने में सक्षम हों, क्योंकि निश्चित रूप से शोर की एक निश्चित मात्रा है, उदाहरण के लिए, एक एक्चुएटर, यदि एक्ट्यूएटर प्रक्रिया शोर का प्राथमिक स्रोत है।
एक अन्य तरीका अनुमान लगाने के लिए अनुमत अधिकतम निपटान समय पर विचार करना है। यह प्रक्रिया शोर और सेंसर शोर के बीच का अनुपात निर्धारित करेगा। यह आपको अपने समय की आवश्यकताओं को पूरा करते हुए अधिकतम फ़िल्टरिंग प्रभाव पड़ता है।
ध्यान दें कि यह विभिन्न सेंसरों के बीच या विभिन्न राज्यों के बीच अनुपात को ट्यून करने का एक अच्छा तरीका प्रदान नहीं करता है, इसलिए यह सही नहीं है।
मूल रूप से, यदि आपके पास प्रयोगात्मक डेटा है, तो आप इष्टतम प्रदर्शन प्राप्त कर सकते हैं। अन्यथा, आप केवल प्रक्रिया को आगे बढ़ाने के लिए प्रमुख योगदानकर्ता के संभावित शोर को मानकर या न्यूनतम प्रदर्शन की आवश्यकता है (जो कि इष्टतम नहीं है, लेकिन कम से कम जो आवश्यक हो, प्राप्त होता है) निर्धारित करके आप केवल शोर की गणना कर सकते हैं।
मशीन लर्निंग के क्षेत्र में, हम एक कलमन फ़िल्टर को एक अव्यक्त चर मॉडल पर एक अनुमान एल्गोरिथ्म के रूप में देखते हैं। माप दिखाई देते हैं, लेकिन सच्ची स्थिति छिपी हुई है। अब आप सच्चे राज्यों का पता लगाना चाहते हैं।
हमेशा की तरह, यह विधि मापदंडों के एक सेट पर निर्भर करती है और - सिद्धांत रूप में - मापदंडों के लिए सबसे अच्छा बिंदु-अनुमान प्राप्त करने का तरीका डेटा के लिए संभावना को देखते हुए है (मापदंडों को देखते हुए) और प्राप्त करने के लिए अपने मापदंडों का अनुकूलन करना। अधिकतम मूल्य। यह आपको अधिकतम संभावना का अनुमान देता है।
दुर्भाग्य से, कलमन फ़िल्टर के मामले में, यह दृष्टिकोण बंद रूप में करने के लिए इतना आसान और सहज नहीं है। ऐसा इसलिए है क्योंकि हम छिपे हुए राज्यों का निरीक्षण नहीं करते हैं। इसलिए, किसी को कुछ तरकीबें अपनानी होंगी। उनमें से एक एक्सपेक्टेशन मैक्सिमाइजेशन (ईएम) एल्गोरिदम का उपयोग करना है, जो एक पुनरावृत्त दृष्टिकोण है: पहले चरण में, आप अपने वर्तमान मापदंडों के तहत अपने छिपे हुए राज्यों (अपेक्षित मूल्य) के लिए सबसे अधिक संभावित मूल्य की गणना करते हैं। दूसरे चरण में, आप छिपे हुए राज्यों को ठीक रखते हैं और उच्चतम संभावना वाले समाधान प्राप्त करने के लिए मापदंडों का अनुकूलन करते हैं। ये चरण अभिसरण तक दोहराए जाते हैं।
आप मशीन लर्निंग (केवल एक उदाहरण: "बाइसियन रीजनिंग एंड मशीन लर्निंग" पर डेविड बार्बर द्वारा) पाठ्य पुस्तकों के एक पूरे समूह में ईएम की सामान्य अवधारणा पर पढ़ सकते हैं । रेखीय डायनेमिक सिस्टम (जो आपको कलमन फिल्टर प्रकार का मॉडल देता है) के मापदंडों का उल्लेख करने की प्रक्रिया को अच्छी तरह से Zoubin Ghahramani और Geoffrey Hinton द्वारा एक तकनीकी रिपोर्ट में वर्णित किया गया है ।
आप बर्नट एम। Tokesson, एट द्वारा "ए टूल फॉर कलमैन फ़िल्टर ट्यूनिंग" पढ़ना चाह सकते हैं । अल। यह ऑटोकॉवरियनस कम-वर्ग (एएलएस) विधि का वर्णन करता है।