질문에 대답하기 위해 : 평활 밀도를 사용할 수 있습니다. 그러나 당신은 할 필요가 없습니다. Jarle Tufto의 답변에는 사용중인 분해가 있습니다. 그러나 다른 사람들이 있습니다.
칼만 재귀 사용
여기에서는
에프( y1, … , y엔) = f( y1) ∏나는 = 2엔에프( y나는| 와이1, … , y난 − 1) .
그러나 평균과 분산이 일반적으로 확률 분포를 완전히 정의하는 것은 아닙니다. 다음은 분포 에서 조건부 우도 필터링 분포를 이동하는 데 사용하는 분해입니다. :f ( y i | y 1 , … , y i - 1 )에프( x난 − 1| 와이1, … , y난 − 1)에프( y나는| 와이1, … , y난 − 1)
에프( y나는| 와이1, … , y난 − 1) = ∬에프( y나는| 엑스나는) f( x나는| 엑스난 − 1) f( x난 − 1| 와이1, … , y난 − 1) d엑스나는디엑스난 − 1.(1)
여기서 은 모델의 상태 전이 밀도 ... 일부이고 는 다시 모델의 관찰 밀도입니다. 귀하의 질문에 이것을 및 로 작성하십시오. 그건 같은거야.f ( y i | x i ) x t + 1 = F x t + v t + 1 y t = H x t + A z t + w t에프( x나는| 엑스난 − 1)에프( y나는| 엑스나는)엑스t + 1= F엑스티+ vt + 1와이티= H엑스티+ 의 Z티+ 승티
한 단계 앞선 상태 예측 분포를 얻으면 그것은 . 다시 통합하면 (1)을 완전히 얻습니다. 당신은 당신의 질문에 그 밀도를 완전히 기록합니다. 같은 것입니다.∫에프( x나는| 엑스난 − 1) f( x난 − 1| 와이1, … , y난 − 1) d엑스난 − 1
여기서는 확률 분포의 분해와 모형에 대한 가정 만 사용합니다. 이 가능성 계산은 정확한 계산입니다. 이 작업을 더 나쁘게 수행하는 데 사용할 수있는 재량은 없습니다.
EM 알고리즘 사용
내 지식으로는, 이런 종류의 상태 공간 모델에서 가능성을 직접 평가하는 다른 방법은 없습니다. 그러나 다른 기능을 평가하여 최대한 가능성 추정을 수행 할 수 있습니다. EM 알고리즘을 사용할 수 있습니다. 기대 단계 (E-Step)에서
여기f ( y 1 , … , y n , x 1 , … , x n )
∫에프( x1, … , x엔| 와이1, … y엔) 로그에프( y1, … , y엔, x1, … , x엔) d엑스1 : n= Es m o o t h[ 로그에프( y1, … , y엔, x1, … , x엔) ] .
에프( y1, … , y엔, x1, … , x엔)"완전한 데이터"일 가능성이 있으며, 조인트 평활 밀도와 관련하여 그 로그를 기대하고 있습니다. 이 완전한 데이터 가능성에 대한 로그를 취하고, 용어를 합계로 나누고, 기대 연산자의 선형성 때문에 한계 평활 분포 (예 : 평활도 분포)에 대한 기대치를 얻는 경우가 종종 발생합니다. 당신은 당신의 질문에 언급).
다른 것들
나는 EM이 가능성을 극대화하기위한 "보다 안정적인"방법이라는 곳에서 읽었지만,이 점이 실제로 잘 논증되는 것을 본 적이없고이 단어 "stable"이 전혀 정의 된 것도 본 적이 없지만 실제로 이것을 더 조사하지 않았습니다. 이 알고리즘들 중 어느 것도 로컬 / 글로벌 최대치 문제를 해결하지 못합니다. 나는 개인적으로 칼만을 습관적으로 더 자주 사용하는 경향이 있습니다.
평활화 된 상태 추정치가 일반적으로 필터링보다 작은 분산을 갖는 것이 사실이므로 이에 대해 약간의 직관을 갖는 것이 옳지 만 실제로 상태를 사용하지는 않습니다. 최대화하려는 가능성은 상태의 기능이 아닙니다.