在状态空间模型框架,卡尔曼滤波估计的价值潜在的,线性,随机,动态过程的基础上可能错误的观测。在给定不确定性分布假设的情况下,卡尔曼滤波器也通过极大似然估计模型参数。
从状态的初始值开始(x0 | 0),初始状态方差-协方差矩阵(P0 | 0),以及所有未知参数的初始值(θ0),简单的卡尔曼滤波:
年代状态预测是对某个时期状态的估计t使用周期内的所有信息(例如,观察到的响应)t- - - - - -年代.
的米t-by-1向量的1步前,状态预测的时期t是 .状态预测的估计向量为
在哪里 是米t- 11过滤后的状态向量在期t- 1。
在期t,状态预测有方差-协方差矩阵
在哪里 是被过滤状态的估计方差-协方差矩阵t- 1,给出所有的信息t- 1。
对应的提前1步的预测观测为 ,其方差-协方差矩阵为
一般来说,年代-超前,预测状态向量为 .的年代-超前,状态预测矢量为
和年代-step ahead,预测观测矢量为
状态预测在期t,使用所有周期内的信息(例如观察到的响应)进行更新t.
的米t-by-1的周期滤波状态向量t是 .滤波状态估计向量为
地点:
是时期的状态预测向量吗t使用从周期1到周期1所观察到的响应t- 1。
Kt是米t——- - - - - -ht生卡尔曼增益矩阵的时期t.
是ht-by-1估计观测创新的周期向量t.
换句话说,就是在某个时间段过滤的状态t预测的状态是否在某个时期t再加上一个基于观察可信度的调整。可信观测对应的观测创新方差很小(例如,的最大特征值)DtDt”相对较小)。因此,对于给定的估计观测创新,术语 对过滤状态值的影响比不可信的观测值大。
在期t,滤波状态有方差-协方差矩阵
在哪里 状态预测在某一时期的估计方差-协方差矩阵是多少t,给出了所有的信息t- 1。
平滑状态是某个时期的估计状态吗t,使用所有可用的信息(例如,所有观察到的响应)对其进行更新。
的米t周期平滑状态的-乘1向量t是 .估计的平滑状态向量为
地点:
平滑状态扰动是估计的,状态扰动在周期t,使用所有可用的信息(例如,所有观察到的响应)对其进行更新。
的kt-乘1的平滑状态扰动的周期向量t是 .平滑状态扰动的估计向量为
在哪里rt公式中的变量是用来估计的吗平滑状态.
在期t,平滑状态扰动具有方差-协方差矩阵
在哪里Nt为公式中估计平滑状态方差-协方差矩阵的变量。
该软件计算平滑估计使用卡尔曼滤波器的向后递归.
年代-提前一步,预测的观测是估计的观测期间t使用周期内的所有信息(例如,观察到的响应)t- - - - - -年代.
的nt-by-1向量,提前一步,预测观测期间t是 .预测观测值的估计向量为
在哪里 是米t的估计向量状态预测在期t.
在期t,超前1步,预测观测值有方差-协方差矩阵
在哪里 状态预测在某一时期的估计方差-协方差矩阵是多少t,给出了所有的信息t- 1。
一般来说,年代-超前,状态预测矢量为 .的年代-step ahead,预测观测矢量为
平滑观察创新是估计,观察创新的时期吗t,使用所有可用的信息(例如,所有观察到的响应)对其进行更新。
的ht-by-1向量的平滑,观测创新的周期t是 .平滑的观测创新的估计向量为
地点:
在期t,平滑观测创新具有方差-协方差矩阵
该软件计算平滑估计使用卡尔曼滤波器的向后递归.
的生卡尔曼增益是一个矩阵,表示在卡尔曼滤波递归过程中对观测值的权重。
原始的卡尔曼增益是米t——- - - - - -ht矩阵计算使用
在哪里 是状态预测的估计方差-协方差矩阵,给出了所有周期内的信息t- 1。
原始卡尔曼增益的值决定了观测值的权重。对于给定的估计观测创新,如果的最大特征值DtDt”相对较小,则原始卡尔曼增益赋予观测值相对较大的权重。的最大特征值DtDt”则原始卡尔曼增益对观测值的权重相对较小。因此,过滤的状态在时期t与相应的状态预测接近。
考虑提前一步状态预测的时期t+ 1使用到句点的所有信息t.的调整卡尔曼增益( )是对某一时期估计观测创新的权重t( ),而州政府的预测则提早两步( ).
也就是说,
卡尔曼滤波器的向后递归估计平滑状态、状态扰动和观测创新。
软件通过以下方法估计平滑值:
考虑这样编写的状态空间模型米分散状态(xd)被隔离n静止的状态(x年代).即初始分布的矩为
μd0是一个米向量的零
μ年代0是一个n实数的向量
Σd0=κ我米,在那里我米是米——- - - - - -米单位矩阵,κ为正实数。
Σ年代0是一个n——- - - - - -n正定矩阵。
弥散态与定态之间不相关。
分析这种模型的一种方法是设置κ到一个比较大的,正实数,然后实现标准卡尔曼滤波器(见舰导弹
).这种处理是一种近似的分析,处理扩散状态就好像它们的初始状态协方差接近无穷。
的分散卡尔曼滤波器或exact-initial卡尔曼滤波器[60]通过采取κ∞。漫反射卡尔曼滤波分为两个阶段进行滤波:第一阶段对模型进行初始化,然后使用标准卡尔曼滤波对模型进行滤波,这是第二阶段。初始化阶段反映标准卡尔曼滤波器。它将所有初始过滤状态设为零,然后用单位矩阵增加初始过滤状态向量,该矩阵由(米+n)——- (米+n+ 1)矩阵。当周期足够多时,精度矩阵就是非奇异的。也就是说,漫反射卡尔曼滤波器在序列的开始使用足够的周期来初始化模型。你可以把这个时间段看作是前样例数据。
当精确矩阵是非奇异时,第二阶段开始。具体来说,初始化阶段返回一个由过滤状态及其精度矩阵组成的向量。然后,标准卡尔曼滤波器使用这些估计和剩余的数据对参数进行滤波、平滑和估计。有关详细信息,请参见dssm
和[60], 5.2秒。。
杜宾J.和S. J.库普曼。基于状态空间方法的时间序列分析.2版。牛津:牛津大学出版社,2012。