Ich habe versucht, Kalman Filter zu verstehen. Hier sind einige Beispiele, die mir bisher geholfen haben: Diese verwenden den Algorithmus, um einige konstante Spannung abzuschätzen. Wie könnte mit einem Kalman-Filter für diese besser sein als nur halten einen laufenden Durchschnitt sind diese Beispiele nur vereinfacht Anwendungsfälle des Filters (Wenn ja, was ist ein Beispiel, wo ein laufender Durchschnitt nicht ausreichen) Zum Beispiel betrachten die folgenden Java-Programm und Ausgabe . Die Kalman-Ausgabe entspricht nicht dem Durchschnitt, aber theyre sehr nah. Warum wählen Sie eine über die anderen JA ist es zu vereinfacht Beispiel, mehr irreführend als Bildung. Wenn ja, was ist ein Beispiel, wo ein laufender Durchschnitt reicht nicht Jeder Fall, wenn Signal ändert. Stellen Sie sich bewegende Fahrzeug. Mittelwertberechnung bedeutet, dass wir von jedem Zeitpunkt aus einen Signalwert annehmen, um gleichermaßen wichtig zu sein. Offensichtlich ist es falsch. Intuition sagt, die letzte Messung ist zuverlässiger als die von einer Stunde vor. Ein sehr schönes Beispiel zum Experimentieren ist von der Form frac. Es hat einen Zustand, so dass die Gleichungen nicht kompliziert wird. In diskreter Zeit könnte es wie folgt aussehen: Theres den Code, der es verwendet (Im sorry seine Matlab, ich habe nicht Python vor kurzem verwendet): Es gibt einige Tipps: immer Q und R größer als Null gesetzt. Fall Q 0 ist SEHR SCHLECHTES Beispiel. Du sagst zu dem Filter: es gibt keine Störung, die auf die Pflanze wirkt, so daß nach einer Weile der Filter nur auf seine Vorhersagen basiert, die auf dem Modell basieren und nicht auf Messungen basieren. Mathematisch gesprochen Kk zu 0. Wie wir wissen, Modelle beschreiben die Realität nicht perfekt. Experimentieren Sie mit einer Modell-Ungenauigkeit - modelError Ändern Sie die anfängliche Vermutung des Zustands (xpost (1)) und sehen Sie, wie schnell es für verschiedene Q-, R - und Anfangs-Ppost konvergiert (1) Überprüfen Sie, wie sich die Filterverstärkung K im Laufe der Zeit in Abhängigkeit von Q und ändert R beantwortet Okt 3 12 at 22:37 In der Tat, sie sind die gleiche Sache in gewissem Sinne, werde ich zeigen, Ihre etwas hinter Kalman Filter und Sie werden überrascht sein. Betrachten Sie das folgende einfachste Problem der Schätzung. Wir erhalten eine Reihe von Messungen z1, z2, cdots, zk einer unbekannten Konstanten x. Wir nehmen an, dass der additive Modellanfang zi x vi, i1,2, cdots, k (1) end ist, wobei vi Messgeräusche sind. Wenn nichts anderes bekannt ist, dann wird jeder einverstanden sein, daß eine vernünftige Schätzung von x bei den k Messungen gegeben werden kann durch Anfangshut k frac sum zi Nun können wir über eq. (2) durch einfache algebraische Manipulation wieder anfangen, um Hut zu bekommen (3) Die Gleichung (3), die in rekursiver Form einfach die Gleichung (2) ist, hat eine interessante Interpretation. Sie sagt, dass die beste Schätzung von x nach k Messung die beste Schätzung von x nach k-1 Messungen plus einem Korrekturterm ist. Der Korrekturterm ist die Differenz zwischen dem, was Sie erwarten, auf der Grundlage der k-1-Messung zu messen, d. h. und was Sie tatsächlich messen, zk. Wenn wir die Korrektur frac als Pk beschreiben, dann kann wiederum einfach algebraische Manipulation die rekursive Form von Pk als Anfang schreiben PkP - P (P 1) P Glauben Sie es oder nicht, Gleichungen (3-4) können als Kalman-Filter erkannt werden Gleichungen für diesen einfachen Fall. Jede Diskussion ist willkommen. Um etwas Geschmack, sehen Sie diese Liste der Bücher: Ich habe GrewalAndrews mit MatLab, auch GrewalWeillAndrews über GPS. Das ist das grundlegende Beispiel, GPS. Hier ist ein vereinfachtes Beispiel, interviewte ich für einen Job, wo sie waren schriftlich Software für die Verfolgung aller LKW gehen in und aus einer riesigen Lieferung Hof, für Walmart oder dergleichen. Sie hatten zwei Arten von Informationen: basierend auf dem Einsetzen eines RFID-Geräts in jedem LKW, hatten sie ziemlich gute Informationen über die Richtung jedes Lkw ging mit Messungen möglich viele Male pro Sekunde, aber schließlich wachsen in Fehler, wie jede im Wesentlichen ODE-Näherung. Auf einer viel längeren Zeitskala konnten sie die GPS-Position eines Lkws nehmen, der eine sehr gute neutrale Lage bietet, aber eine große Abweichung hat, man bekommt Position innerhalb von 100 Metern oder so. Wie diese Thats die Hauptnutzung des Kalman-Filters zu kombinieren, wenn Sie zwei Quellen von Informationen, die etwa entgegengesetzte Arten von Fehler. Meine Idee, die ich ihnen gesagt hätte, wenn sie mich bezahlt hätten, war, ein Gerät auf jedem Semi zu platzieren, wo das Fahrerhaus auf den Anhänger trifft, was dem aktuellen Wenderadius entspricht. Dies könnte integriert worden sein, um sehr gute Kurzzeit-Informationen über die Richtung zu liefern, in die der Lastwagen fuhr. Nun, das ist, was sie mit fast etwas bewegen heutzutage tun. Die, die ich dachte, war niedlich war Farmen in Indien, verfolgen, wo Traktoren waren. Der bewegte Körper muss sich nicht schnell bewegen, um die gleichen Fragen zu bewirken. Aber natürlich war die erste große Nutzung der NASA Apollo-Projekt. Mein Vater traf Kalman irgendwann. Dad arbeitete hauptsächlich auf der Navigation, zunächst Raketen für die Armee, später U-Boote für die Marine. Antwort # 1 am: Juli 19, 2011, 10:31:25 am »UTC 1 Speichern von Notizen, was sie bedeuten, und wie sie zu benutzen. Gehen Sie mit dem Wiki-Artikel zu starten. Fassen es intuitiv zusammen und gehen von dort aus. Was ist die Verbindung zum Bayes-Theorem Wie können wir das einfacher (mit mehreren Variablen) ausdrücken, bevor wir zur Linearen Algebra gehen Was ist ein einfacher, alltäglicher Anwendungsfall Noise ist Gaussian normal verteilt, was einen anderen Artikel braucht, um die Implikationen dort wirklich zu verstehen. High-Level, seine symmetrischen, Variationen fallen innerhalb der bekannten Standard-Abweichung, etc. Wenn nicht Gaussian, ist Kalman immer noch beste lineare Schätzer. OK. Woher wissen wir, wann eine lineare vs. nicht-lineare Schätzung verwendet werden kann Schätzung kontinuierlich aktualisieren, wenn neue Daten kommt in. Erinnert mich an einen Bayesian Spam Filter - wie neue Nachrichten kommen, und Sie markieren sie Spam (oder nicht) Aktualisieren wir die Tabellen, die die Spamhäufigkeit der verschiedenen Wörter angeben. Kalman-Filter ähnlich (außer anstelle von Spam nicht Spam, seine versucht, den Wert eines Parameters zu schätzen). Gotcha: Filter genannt, weil es Rauschen aus der Messung entfernt. Ein besserer Name wäre ein Kalman Estimator. Erwarteter Wert der Differenz zwischen x1 und seinen mittleren Zeiten x2 und seinem Mittel Im wesentlichen gibt es eine Korrelation zwischen x1 und x2. Wenn x1 größer als sein Mittel ist, ist x2 ebenso gut Verwenden Sie lineare Algebra, um die Werte von x in einem Spaltenvektor zu speichern Benötigen Sie ein tatsächliches Beispiel, wollen Sie das besser verstehen Wenn wir die Kovarianz haben, können wir versuchen, das unabhängige Rauschen zu extrahieren (Intuitiv, trennen Sie die Kern-Korrelationen von den zufälligen) Ziel: zu finden, ein Vektor, der zusammenfaßt (beschreibt) die Vergangenheit Verhalten am besten. Nehmen wir an, wir haben ein lineares dynamisches System mit additivem weißem Rauschen. Das Kalman-Filtermodell geht davon aus, dass der Zustand eines Systems zum Zeitpunkt t aus dem Prioer-Zustand zur Zeit t-1 gemäß der Gleichung: xt Ftx Btut wt xt-Zustandsvektor entsteht, der die Terme von Interesse zum Zeitpunkt t enthält (das ist neuer Zustand ) Ut. Steuereingänge Bt. Steuereingabematrix, die den Effekt jedes Steuerelements auf den Zustandsvektor Ft anwendet. Zustandsübergangsmatrix, wirkt den Effekt des Zustandsparameters zum vorhergehenden Zeitpunkt x auf den aktuellen Zustand wt. Enthält Prozessrauschen für jeden Parameter. Im Denken: Wir wollen den Beitrag von isolieren: Vorherige Zustände Aktuelle Kontrollen Zufälliges Rauschen Prozess-Rauschen (zufällige Reibung Bumps auf der Straße) Beobachtung Lärm (Staub auf Ihrem Radar-Detektor) Wir haben unsere tatsächlichen Signal (internen Zustand: xk) Dann haben wir Unserem gemessenen Zustand zk Es gibt Rauschen, B., das zk B xk dreht Es gibt zwei Rauschfunktionen wk, wenn die Zustandsänderung und vk angewendet werden, wenn die Messung durchgeführt wird. Dann haben wir zk Bxk vk und xk Ax wk Vorhersage des aktuellen Zustands auf der Grundlage des letzten Zustands, unter Berücksichtigung des Rauschens Update: nimmt Messwerte und aktualisiert die Zustandsschätzung Hrm. Haben eine Folge von Daten kommen in. Wie ein Bayes-Filter. Sie erstellen ein Modell und starten es anpassen, wie Sie einen anderen Datenpunkt zu erhalten. Denken Sie an eine Analogie: jeder Datenpunkt hilft Ihnen, Ihre Schätzung zu klären. Aber Sie wissen, es ist wahrscheinlich zu Lärm, so müssen Sie für diese Einstellung. Idee: machen Sie einen Javascript kalman Filter Simulator zu sehen, was seine SIMPLE-Szenario: Wir verwenden einen laufenden Durchschnitt. BESSERES Szenario: Wir verwenden einen Kalman-Filter, um eine Vorhersage zu erhalten und Lärm zu berücksichtigen. Und mit einem Wechselsignal. Intuition: Kalman Filter ist ein allgemeiner laufender Durchschnitt. Kann eine veränderliche Variable berücksichtigen. Idee: dies ändern. Sehen Sie, wenn es einen besseren Weg voraussagen kann. Kontrast zu einem laufenden Durchschnitt. Kalmanfilterdemo. png 785x311 22.9 KB Ziel: Besseres Glätten. Einfache gleitende Durchschnitt, Polynom Approximation, etc. Zu lesen: Kalman Filter GPS cs. unc. edu Schnelle Intuition: Ive getan einige Graben, es nehmen mehr Zeit, um eine solide Intuition, aber heres mein Verständnis zu erhalten. Wir sagen, wir haben eine Menge von Daten kommen, und wir wollen eine Vorhersage über den nächsten Punkt zu sehen. Ein einfacher Ansatz könnte sein, einen einfachen gleitenden Durchschnitt der letzten Punkte zu nehmen, und nehmen Sie an, dass der neue Punkt an diesem Durchschnitt sein wird. Lassen Sie uns sagen, unsere erste Punkt ist 1. Wir können nicht wirklich eine gute Vorhersage, aber lassen Sie erraten, der nächste Punkt ist 1 als gut. Der zweite Punkt ist 5. Whoops, waren wir aus. Ok, lassen Sie erraten, der nächste Punkt wird 3 (der Durchschnitt) werden. Der nächste Punkt ist 9. Whoops, wir waren wieder weg. Lets erraten, der nächste Punkt ist der Durchschnitt der diejenigen, die wir bisher gesehen haben, oder (1 5 9) 3 5. Der nächste Punkt ist 14. Whoops, off wieder. Ein Mensch würde schnell bemerken, dass Hey, dieser gleitende Durchschnitt nicht sehr gut funktioniert. Die Punkte werden jedes Mal um 4 oder 5 erhöht und wir werden den nächsten Punkt wirklich unterschätzen. Der Kalman-Filter ist wie ein fortgeschrittener gleitender Durchschnitt, der verfolgt, wie weit es weg war und versucht, seine Vorhersagen anzupassen, während sie hereinkommen. Sie kann auf die vorherigen Einzelteile zurückblicken und denken, welches Modell gut funktioniert, wie ich war Erhalten diese Datenpunkte. Er kann nur Systeme mit bestimmten Bedingungen (linear, zeitinvariant) behandeln, aber viel bessere Vorhersagen als ein gerade gleitender Durchschnitt. In diesem Fall kann es so etwas wie sagen: xnew xold 4.5 Eine Anwendung für Kalman-Filter für Navigation, GPS, etc. ist, dass wir Geschosse kennen, Autos, Menschen bewegen sich ziemlich vorhersagbare Wege. Der Kalman-Filter kann schnell eine genaue Schätzung für den Pfad im Vergleich zu einem gleitenden Durchschnitt, die ist wirklich langsam zu aktualisieren und immer ein Schritt hinter sich, so scheint es. Das ist meine wirklich hohe Intuition so weit. Key Intuition: Kalman Filter ist ein Phantasie gleitenden Durchschnitt. Anstelle einer statischen Vorhersage (hier ist der Durchschnitt) gibt es Ihnen eine Gleichung für den Weg, den Sie nehmen werden. (In einem einfachen Fall kann es auch einen statischen Wert vorhersagen.) Die geheime Sauce ist, dass sie das Rauschen herausfiltert. Jeder Datenpfad, den Sie haben, hat Rauschen in ihm. Kalid 2014-06-25 23:04:59 UTC 2 Meta-Notes Über meine Lernstrategie 1) Forschung Wikipedia. Wählen Sie einige Schlüsselwörter aus. Warum ist es ein Filter Eigentlich ist es ein Schätzer. Das ist wirklich gut zu filtern Lärm. 2) Auf der Suche nach YouTube, Google, etc. für Präsentationen Kürzere Videos sind besser :). Einige Beispiele: Aktienkursvorhersage. Navigationspfadsuche. Physik. Gesichtserkennung. Sein behauptete, einer der wichtigsten Fortschritte im 20. Jahrhundert zu sein. Wow Warum wir nie davon hören 3) Sehen Sie, wenn Sie ein sehr einfaches Szenario finden können. Wie es scheint, hier, seine gleitenden Durchschnitte. Es gab eine Stapelüberlauffrage, wie der Kalman-Filter unterschiedlich war. Vergleichen und kontrastieren, was Sie wissen, Kalman-Filter sind wie eine bessere gleitende Durchschnitte, weil. 4) Gibt es Demos, wo wir verstehen können, was los ist Javascript-Demos für Tracking-Klick-Position. Lernen Sie, das Ziel zu trennen (bauen Sie ein Prognosesystem) aus der Implementierung Details (lineare Algebra, etc.) Powered by Discourse. Am besten angesehen mit JavaScript aktiviertKalman Filter - New Moving Average Registriert seit May 2008 Status: Member 58 Beiträge ist die zugehörige Version für die mehrere Zeitrahmen und Einzelzeitrahmen Kalman Filter. Denken Sie nur an es als eine andere Art von exponentiellen gleitenden Durchschnitt. Die Einstellungen sind einfach. Für AppliedPrice verwenden Sie die folgenden: 0 - Open Preis 1 - Low Price 2 - High Price 3 - Close Price Ich habe keine anderen Arten von Preisen hinzugefügt, und aufgrund der Natur des Filters werde ich nicht mehr hinzufügen in beiden. Ich möchte erwähnen, dass die Zeit ein wenig anders ist, als Sie es in MAs gewöhnt sind. Es ist immer noch technisch das gleiche wie die Periode in einem EMA, aber aufgrund der Natur der Kalman-Filter, die die Periode hat nicht die gleiche Wirkung wie bei anderen beweglichen Durchschnitten. Sie können mit ihm spielen, aber ein persönlicher Vorschlag ist, den Zeitraum auf 20.50.100 oder höher zu halten. Der Kalman ist für einige generische Einstellungen jetzt eingerichtet, aber wenn jemand den Ehrgeiz hat, mit den Matrizen, die es für Berechnungen verwendet verwirren, lassen Sie mich wissen, und ich werde den Code schießen Sie Ihren Weg. Da, wie Sie feststellen, die normale Kalman cant wirklich effektiv eine langfristige Tendenzindikator wie ein 200 SMA ist, können Sie die mehrfache Zeitrahmenversion benutzen, um das Kalman auf längeren Zeitrahmen laufen zu lassen und dieses als quottrend indicator. quot persönlich zu verwenden Ich bevorzuge dies, da es weniger Verzögerung schafft und simuliert das Mitschneiden bei längeren Diagramm, um sicherzustellen, Signale Matchquot Theorie. Eine Idee ist, eine Daily oder H4 Kalman auf einer 15 oder 30 min Diagramm, und verwenden Sie es, um die langfristige Trend für diesen Tag spielen. Ich habe gerade beendet Debugging der Indikator heute, und obwohl sehr nützlich, ist diese Version des Indikators nicht wirklich mein Fokus jetzt. Ich arbeite an der Optimierung für meine spezifischen Bedürfnisse, die einige schwere mathematische Arbeit beinhaltet, aber diese Version ist Setup, um ein quotmiddle manquot in der Glätte vs Reaktionszeit Kampf, dass MAs immer erfahren werden. Darüber hinaus habe ich gerade diese heute habe ich nicht über eine Strategie, die derzeit angewendet wird, und ich habe nicht einen goldenen Weg zum Reichtum nur mit einem glatten Filter. Verwenden Sie den Filter, wie Sie möchten, vielleicht, wenn Sie Spielzeug herum mit ihm und kreativ es nur seinen Weg in Ihre nächste Trading-Strategie zu finden. Verschiedene Kalman-Perioden - Blue: 500 Kalman - Lichtblau: 200 Kalman - Grün: 100 Kalman - Red: 50 Kalman - Orange: 20 Kalman i295.photobucketalbumsm. Manperiods. gif Kissn den ganzen Weg nach oben Mitglieder müssen mindestens 0 Gutscheine in diesem Thread posten. 0 Trader die sich gerade ansehen Forex Factoryreg ist ein eingetragenes Warenzeichen.
No comments:
Post a Comment