ส่วนใหญ่แล้วการปรับการฝึกอบรมตัวกรองสัญญาณรบกวนคาลมานนั้นเกิดจากการลองผิดลองถูกหรือความรู้ในโดเมน มีวิธีที่มีหลักการสำหรับปรับพารามิเตอร์ตัวกรองคาลมานทั้งหมดหรือไม่
ส่วนใหญ่แล้วการปรับการฝึกอบรมตัวกรองสัญญาณรบกวนคาลมานนั้นเกิดจากการลองผิดลองถูกหรือความรู้ในโดเมน มีวิธีที่มีหลักการสำหรับปรับพารามิเตอร์ตัวกรองคาลมานทั้งหมดหรือไม่
คำตอบ:
คุณสามารถรับข้อมูลทดลองและทำการวิเคราะห์ทางสถิติบางอย่างเพื่อกำหนดเสียงรบกวนของกระบวนการ (เสียงรบกวนระหว่างขั้นตอนเวลา) และเสียงเซนเซอร์ (เปรียบเทียบกับความจริงภาคพื้นดิน)
เพื่อให้ได้ความจริงจากพื้นดินสำหรับเสียงของเซ็นเซอร์คุณจำเป็นต้องมีเซ็นเซอร์ที่แม่นยำยิ่งขึ้นหรือทดสอบอย่างอื่นโดยการทดสอบในขณะที่รักษาสถานะของความสนใจตามค่าที่ทราบ
หากคุณไม่มีข้อมูลการทดลองคุณสามารถใช้เอกสารข้อมูลทางเทคนิคหรือข้อมูลจำเพาะสำหรับเซ็นเซอร์แต่ละตัวเพื่อกำหนดเสียงรบกวน เสียงรบกวนของกระบวนการจะยากขึ้นในกรณีนี้ แต่คุณอาจจะสามารถคาดเดาค่าของมันได้โดยสมมติว่ามีสัญญาณรบกวนจำนวนหนึ่งอันเนื่องมาจากตัวอย่างเช่นแอคชูเอเตอร์หากแอคชูเอเตอร์เป็นแหล่งหลักของเสียงรบกวนในกระบวนการ
อีกวิธีคือการพิจารณาเวลาการตกตะกอนสูงสุดที่อนุญาตสำหรับการประเมิน สิ่งนี้จะกำหนดอัตราส่วนระหว่างสัญญาณรบกวนกระบวนการและสัญญาณรบกวนเซ็นเซอร์ สิ่งนี้ช่วยให้คุณมีเอฟเฟกต์การกรองสูงสุดในขณะที่ตอบสนองความต้องการด้านเวลาของคุณ
โปรดทราบว่านี่ไม่ได้เป็นวิธีที่ดีในการปรับอัตราส่วนระหว่างเซ็นเซอร์ต่าง ๆ หรือระหว่างสถานะต่าง ๆ ดังนั้นจึงไม่สมบูรณ์แบบ
โดยทั่วไปหากคุณมีข้อมูลการทดลองคุณสามารถได้รับประสิทธิภาพที่ดีที่สุด มิฉะนั้นคุณสามารถคำนวณเสียงรบกวนกระบวนการโดยสมมติว่าเสียงรบกวนของผู้มีส่วนร่วมสำคัญกับเสียงรบกวนกระบวนการหรือโดยการพิจารณาว่าต้องการประสิทธิภาพขั้นต่ำสุด (ซึ่งไม่เหมาะสม แต่อย่างน้อยต้องได้สิ่งที่ต้องการ)
ในด้านการเรียนรู้ของเครื่องจักรเรามองไปที่ตัวกรองคาลมานเป็นอัลกอริธึมอนุมานบนแบบจำลองตัวแปรแฝง การวัดสามารถมองเห็นได้ แต่สถานะที่แท้จริงถูกซ่อนไว้ ตอนนี้คุณต้องการที่จะสรุปสถานะที่แท้จริง
ตามปกติวิธีนี้อาศัยชุดของพารามิเตอร์และ - ในหลักการ - วิธีที่จะได้รับการประมาณค่าจุดที่ดีที่สุดสำหรับพารามิเตอร์คือการดูความน่าจะเป็นของข้อมูล (กำหนดพารามิเตอร์) และปรับพารามิเตอร์ของคุณให้เหมาะสม ค่าสูงสุด สิ่งนี้จะช่วยให้คุณประเมินความเป็นไปได้สูงสุด
น่าเสียดายที่ในกรณีของตัวกรองคาลมานวิธีนี้ไม่ง่ายและไม่ยากที่จะทำในรูปแบบปิด นี่เป็นเพราะเราไม่ได้สังเกตสถานะที่ซ่อนอยู่ ดังนั้นจึงต้องใช้เทคนิคบางอย่าง หนึ่งในนั้นคือใช้อัลกอริธึม Expecation Maximization (EM) ซึ่งเป็นวิธีการวนซ้ำ: ในขั้นตอนแรกคุณจะคำนวณค่าที่เป็นไปได้มากที่สุดสำหรับสถานะที่ซ่อนอยู่ของคุณ (ค่าที่คาดหวัง) ภายใต้พารามิเตอร์ปัจจุบันของคุณ ในขั้นตอนที่สองคุณคงสถานะการซ่อนไว้ให้คงที่และปรับพารามิเตอร์เพื่อให้ได้โซลูชันที่มีโอกาสสูงสุด ขั้นตอนเหล่านี้ซ้ำจนกว่าการบรรจบกัน
คุณสามารถอ่านแนวคิดทั่วไปของ EM ในหนังสือเรียนทั้งหมดเกี่ยวกับการเรียนรู้ของเครื่อง (ตัวอย่างเดียว: "การใช้เหตุผลแบบเบย์และการเรียนรู้ของเครื่อง"โดย David Barber) กระบวนการของการอนุมานพารามิเตอร์สำหรับระบบ dynamical เชิงเส้น (ซึ่งจะช่วยให้คุณชนิดกรองคาลมานของรูปแบบ) อธิบายได้ดีในรายงานเทคโนโลยีโดยโซบินกาห์รามานีและเจฟฟรีย์ฮินตัน
คุณอาจต้องการอ่าน"เครื่องมือสำหรับการปรับแต่งตัวกรองคาลมาน"โดย Bernt M. Åkesson, et อัล มันอธิบาย autocovariance less-squares (ALS) วิธี