나는 매우 간단한 칼만 필터 (랜덤 워크 + 노이즈 모델)를 계산 중입니다.
필터의 출력이 이동 평균과 매우 유사하다는 것을 알았습니다.
둘 사이에 등가가 있습니까?
그렇지 않다면 차이점은 무엇입니까?
나는 매우 간단한 칼만 필터 (랜덤 워크 + 노이즈 모델)를 계산 중입니다.
필터의 출력이 이동 평균과 매우 유사하다는 것을 알았습니다.
둘 사이에 등가가 있습니까?
그렇지 않다면 차이점은 무엇입니까?
답변:
랜덤 워크 + 노이즈 모델은 EWMA (지수 적으로 가중 된 이동 평균)와 동등한 것으로 표시 될 수 있습니다. 칼만 게인은 결국 EWMA 가중치와 같습니다.
이 내용은 State Space 별 시계열 분석에 자세히 나와 있습니다. Google Kalman Filter 및 EWMA를 사용하면 해당 항목에 대한 여러 가지 리소스를 찾을 수 있습니다.
실제로 상태 공간 동등성을 사용하여 EWMA 추정 등에 대한 신뢰 구간을 구축 할 수 있습니다.
시작하기 : EWMA와 Kalman 필터의 동등성은 "랜덤 워크 플러스 노이즈"의 경우에만 해당되며 Andrew Harvey의 "Structural Time Series Model"및 "Kalman Filter"책에서 다룹니다. 잡음이있는 임의의 보행을위한 Kalman 필터와 EWMA의 동등성은 본문 175 페이지에 설명되어 있습니다. 저자는 또한 두 사람의 동등성이 1960 년에 처음으로 언급되었으며 이에 대한 언급을한다고 언급했다. 해당 페이지의 링크는 다음과 같습니다. https://books.google.com/books?id=Kc6tnRHBwLcC&pg=PA175&lpg=PA175&dq=ewma+and+kalman+for+random+walk+with+noise&source=bl&ots=I3VOQsYZOC&sig = RdUCwgFE1s7zrPFylF3e3HxIUNY & hl = ko & sa = X & ved = 0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDAD # v = onepage & q = ewma % 20and % 20kalman % 20for % 20random % 20walk % 20with % 20nose & f = 20withfalseiseff
이제 Kalman 및 Extended Kalman 필터에 대한 ALETERNATIVE를 다루는 참조가 있습니다 .Kalman 필터와 일치하는 결과를 얻었지만 결과는 훨씬 빨라졌습니다! "이중 지수 평활 : 칼만 필터 기반 예측 추적의 대안"입니다. 논문의 초록 (아래 참조)에서 저자는 "...이 예측 변수가 더 빠르고 구현하기 쉬우 며 Kalman 및 확장 된 Kalman 필터링 예측 변수와 동등하게 수행된다는 우리의 주장의 타당성을 입증하는 실험 결과 ..."라고 말합니다.
http://cs.brown.edu/~jjl/pubs/kfvsexp_final_laviola.pdf
이것은 두 가지 지수 평활을 기반으로 사용자 위치 및 방향의 예측 추적을위한 새로운 알고리즘을 제시합니다.이 알고리즘은 미분없는 측정 모델이있는 칼만 및 확장 된 칼만 필터 기반 예측 변수와 비교할 때 이에 상응하는 속도로 약 135 배 빠르게 실행됩니다. 예측 성능 및 간단한 구현이 백서에서는 이러한 알고리즘에 대해 Kalman 및 확장 된 Kalman Filter 예측 변수와 함께 자세히 설명하고 예측 변수 실험에 대한 세부 정보를 설명하고 이러한 예측 변수에 대한 주장의 유효성을 뒷받침하는 경험적 결과를 제시합니다. "Kalman 및 확장 된 Kalman 필터링 예측 변수와 동일하고 더 빠르고 쉽게 구현할 수 있습니다."