답변:
실험 데이터를 얻고 통계적 분석을 수행하여 프로세스 노이즈 (시간 간격 간 노이즈)와 센서 노이즈 (지상 사실과 비교)를 결정할 수 있습니다.
센서 노이즈에 대한 정확한 정보를 얻으려면보다 정확한 센서가 필요하거나 관심있는 상태를 알려진 (일반적으로 고정 된) 값으로 유지하면서 실험적으로 테스트해야합니다.
실험 데이터가없는 경우 각 센서의 데이터 시트 또는 사양을 사용하여 노이즈를 결정할 수 있습니다. 이 경우 프로세스 노이즈가 더 어려울 수 있지만 액추에이터가 프로세스 노이즈의 주요 소스 인 경우 예를 들어 액추에이터로 인해 일정량의 노이즈를 가정하여 해당 값을 추측 할 수 있습니다.
다른 방법은 추정에 허용되는 최대 정착 시간을 고려하는 것입니다. 프로세스 노이즈와 센서 노이즈의 비율이 결정됩니다. 이를 통해 정착 시간 요구 사항을 충족시키면서 최대 필터링 효과를 얻을 수 있습니다.
이것은 다른 센서 또는 다른 상태 간의 비율을 조정하는 좋은 방법을 제공하지 않으므로 완벽하지는 않습니다.
기본적으로 실험 데이터가있는 경우 최적의 성능을 얻을 수 있습니다. 그렇지 않으면, 지배적 기여자의 잡음을 처리 잡음으로 가정하거나 필요한 최소 성능 (최적은 아니지만 적어도 필요한 것을 얻는 것)을 결정하여 프로세스 잡음 만 계산할 수 있습니다.
기계 학습 분야에서 우리는 Kalman 필터를 잠재 변수 모델의 추론 알고리즘으로 봅니다. 측정 값은 표시되지만 실제 상태는 숨겨집니다. 이제 실제 상태를 추론하려고합니다.
평소와 같이,이 방법은 매개 변수 세트에 의존하며, 원칙적으로 매개 변수에 대한 최상의 포인트 추정치를 얻는 방법은 데이터에 대한 가능성 (매개 변수 제공)을보고 매개 변수를 최적화하는 것입니다. 최대 값 이것은 최대 가능성 추정치를 제공합니다.
불행하게도, 칼만 필터의 경우,이 방법은 폐쇄 된 형태로하기가 쉽지 않고 다루기 힘들다. 우리는 숨겨진 상태를 관찰하지 않기 때문입니다. 따라서 몇 가지 트릭을 적용해야합니다. 그중 하나는 반복 접근 방식 인 Expecation Maximization (EM) 알고리즘을 사용하는 것입니다. 첫 번째 단계에서는 현재 매개 변수 아래에서 숨겨진 상태에 대한 가장 가능성있는 값 (예상 값)을 계산합니다. 두 번째 단계에서는 숨겨진 상태를 고정하고 매개 변수를 최적화하여 가능성이 가장 높은 솔루션을 얻습니다. 이러한 단계는 수렴 될 때까지 반복됩니다.
머신 러닝 ( David Barber의 "Bayesian Reasoning and Machine Learning") 에 대한 전체 교과서에서 EM의 일반적인 개념을 읽을 수 있습니다 . 선형 동적 시스템에 대한 매개 변수를 유추하는 프로세스 (칼만 필터 유형의 모델 제공)는 Zoubin Ghahramani와 Geoffrey Hinton 의 기술 보고서에 잘 설명되어 있습니다.
Bernt M. Åkesson 등의 "칼만 필터 튜닝을위한 도구" 를 읽어보십시오 . 알. 자기 공분산 최소 제곱 (ALS) 방법에 대해 설명합니다.