ตัวกรองคาลมานจะให้ผลที่ดีกว่าค่าเฉลี่ยเคลื่อนที่อย่างง่ายเมื่อใด


14

ฉันเพิ่งใช้ตัวกรองคาลมานกับตัวอย่างง่ายๆของการวัดตำแหน่งของอนุภาคด้วยความเร็วและความเร่งแบบสุ่ม ฉันพบว่าตัวกรองคาลมานทำงานได้ดี แต่ฉันถามตัวเองว่าอะไรคือความแตกต่างระหว่างสิ่งนี้กับค่าเฉลี่ยเคลื่อนที่? ฉันพบว่าถ้าฉันใช้หน้าต่างประมาณ 10 ตัวอย่างว่าค่าเฉลี่ยเคลื่อนที่มีประสิทธิภาพสูงกว่าตัวกรองคาลมานและฉันพยายามค้นหาตัวอย่างเมื่อใช้ตัวกรองคาลมานมีข้อได้เปรียบเพียงแค่ใช้ค่าเฉลี่ยเคลื่อนที่

ฉันรู้สึกว่าค่าเฉลี่ยเคลื่อนที่นั้นใช้งานง่ายกว่าตัวกรองคาลมานและคุณสามารถนำไปใช้กับสัญญาณโดยไม่ต้องกังวลเกี่ยวกับกลไกพื้นที่รัฐ ฉันรู้สึกเหมือนขาดอะไรบางอย่างพื้นฐานที่นี่และขอขอบคุณสำหรับความช่วยเหลือที่ผู้อื่นสามารถเสนอได้



ฉันเห็นโพสต์นี้ แต่คำถามของฉันขอตัวอย่างเมื่อตัวกรองคาลมานจะให้ผลลัพธ์ที่ดีกว่าค่าเฉลี่ยเคลื่อนที่
dvreed77

หากค่าเฉลี่ยเคลื่อนที่เพียงพอในแอปพลิเคชันของคุณให้ใช้คุณไม่จำเป็นต้องใช้ตัวกรองคาลมาน (KF) ภายใต้สมมติฐานที่แน่นอน KF ให้ข้อมูลประมาณการที่ดีที่สุดที่เป็นไปได้ สมมติฐานเหล่านี้อาจไม่มีอยู่ในแอปพลิเคชันของคุณหรือควรตรวจสอบการติดตั้งใช้งานของ KF
Ali

สมมติฐานเหล่านี้คืออะไร? เสียงเสียน ถ้าใช่นั่นคือสิ่งที่การจำลองของฉันเพิ่ม รหัสของฉันเป็นรหัสที่ได้รับการแก้ไขเล็กน้อยจากคลาสการประมวลผลสัญญาณและฉันได้ตรวจสอบกับแหล่งข้อมูลอื่น ๆ และสมการอัปเดตและการทำนายของฉันควรถูกต้อง ฉันสงสัยว่าเหตุผลที่ค่าเฉลี่ยเคลื่อนที่ดีขึ้นหรือไม่นั้นเป็นเพราะใช้ตัวอย่าง 10 รายการที่ผ่านมาแทนที่จะเป็นเพียงตัวอย่างสุดท้ายที่ KF ใช้ แม้ว่าฉันคิดว่าข้อผิดพลาดความแปรปรวนร่วมนั้นมีความเข้มงวดมากขึ้นในแต่ละตัวอย่างเพิ่มเติมดังนั้นฉันจึงสับสนกับวิธีที่ MA ทำดีกว่า
dvreed77

และถ้ามันสร้างความแตกต่างเมื่อฉันพูดว่า outerperform ฉันหมายถึง MSE นั้นเล็กลงโดยใช้ค่าเฉลี่ยเคลื่อนที่
dvreed77

คำตอบ:


4

การประมาณการที่กำหนดโดยค่าเฉลี่ยเคลื่อนที่จะล่าช้าหลังสถานะที่แท้จริง

สมมติว่าคุณต้องการวัดระดับความสูงของเครื่องบินที่เพิ่มขึ้นด้วยความเร็วคงที่และคุณมีการวัดระดับความสูงที่มีเสียงดัง (เกาส์เซียน) ค่าเฉลี่ยในช่วงเวลาของการวัดระดับความสูงที่มีเสียงดังมีแนวโน้มที่จะทำให้คุณประมาณการได้ดีว่าเครื่องบินอยู่ตรงกลางช่วงเวลานั้นหรือไม่

หากคุณใช้ช่วงเวลาที่ใหญ่ขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยจะแม่นยำมากขึ้น แต่จะประมาณความสูงของระนาบก่อนหน้า หากคุณใช้ช่วงเวลาที่เล็กลงสำหรับค่าเฉลี่ยเคลื่อนที่ของคุณค่าเฉลี่ยจะแม่นยำน้อยลง แต่จะประมาณความสูงของระนาบในเวลาที่เร็วขึ้น

ที่กล่าวว่าความล่าช้าของค่าเฉลี่ยเคลื่อนที่อาจไม่ก่อให้เกิดปัญหาในการใช้งานบางอย่าง

แก้ไข: โพสต์นี้ถามคำถามเดียวกันและมีการตอบสนองและทรัพยากรมากขึ้น


2

ฉันพบว่าการใช้พารามิเตอร์ดั้งเดิมที่ฉันใช้ในการตั้งค่าปัญหาค่าเฉลี่ยเคลื่อนที่นั้นทำงานได้ดีขึ้น แต่เมื่อฉันเริ่มเล่นกับพารามิเตอร์ที่กำหนดโมเดลไดนามิกของฉันฉันพบว่าตัวกรอง Kalman ทำงานได้ดีขึ้นมาก ตอนนี้ฉันมีการตั้งค่าบางอย่างเพื่อดูผลกระทบของพารามิเตอร์ที่เล่นฉันคิดว่าฉันจะได้รับสัญชาตญาณที่ดีขึ้นในสิ่งที่เกิดขึ้น ขอบคุณผู้ที่ตอบและขอโทษถ้าคำถามของฉันเป็น / คลุมเครือ


1
อาจเป็นประโยชน์กับผู้อื่นที่มีส่วนร่วมในคำถามหากคุณใส่รหัสของเล่นที่ทำซ้ำได้ในคำตอบของคุณเพื่อให้พวกเขาสามารถ "เห็นมันเป็นจริง" โดยส่วนตัวแล้วคำตอบของฉันที่คนอื่นให้คะแนนมักมีเนื้อหาที่ทำซ้ำได้มากที่สุด
EngrStudent - Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.