คำถามติดแท็ก particle-filter

กรองฝุ่นละอองและกรองคาลมานมีทั้งประมาณคชกรรม recursive ฉันมักจะพบตัวกรองคาลมานในสาขาของฉัน แต่ไม่ค่อยเห็นการใช้ตัวกรองอนุภาค เมื่อไหร่จะใช้อีกอัน?

51 bayesian  particle-filter  kalman-filter 

ฉันพยายามเข้าใจถึงข้อดีและข้อเสียรวมถึงโดเมนแอปพลิเคชันที่แตกต่างกันของโครงร่าง MCMC ทั้งสองนี้ คุณจะใช้อันไหนและทำไม? เมื่อใดที่หนึ่งอาจล้มเหลว แต่อีกอันไม่ใช่ (เช่น HMC บังคับใช้ได้ แต่ SMC ไม่และในทางกลับกัน) วิธีการหนึ่งที่ได้รับอย่างไร้เดียงสาสามารถวัดยูทิลิตี้ในวิธีหนึ่งเมื่อเทียบกับวิธีอื่น (เช่นคือโดยทั่วไปดีกว่า ) ฉันกำลังอ่านหนังสือพิมพ์ที่ยอดเยี่ยม Betancourt ใน HMC

23 mcmc  random-walk  particle-filter  probabilistic-programming  hmc 

นี่คือคำถามเก่าของฉัน ฉันอยากถามว่ามีใครรู้ถึงความแตกต่าง (ถ้ามีความแตกต่างใด ๆ ) ระหว่าง Hidden Markov models (HMM) และ Particle Filter (PF) หรือไม่และเป็นผลจาก Kalman Filter หรือในกรณีที่เราใช้อัลกอริทึมใด ฉันเป็นนักเรียนและฉันต้องทำโครงการ แต่ก่อนอื่นฉันต้องเข้าใจบางสิ่ง ดังนั้นตามบรรณานุกรมทั้งสองรัฐอวกาศรุ่นรวมทั้งที่ซ่อนอยู่ (หรือแฝงหรือสังเกต) รัฐ ตามที่ Wikipedia (Hidden_Markov_model) “ใน HMM พื้นที่สถานะของตัวแปรที่ซ่อนอยู่นั้นไม่ต่อเนื่องในขณะที่การสังเกตตัวเองสามารถแยกออกจากกัน (โดยทั่วไปจะเกิดจากการกระจายแบบแบ่งหมวดหมู่) หรือต่อเนื่อง (โดยทั่วไปมาจากการแจกแจงแบบเกาส์) โมเดลมาร์คอฟที่ซ่อนยังสามารถวางนัยเพื่ออนุญาตให้มีพื้นที่ของรัฐอย่างต่อเนื่อง ตัวอย่างของแบบจำลองเหล่านั้นคือสิ่งที่กระบวนการมาร์คอฟเหนือตัวแปรที่ซ่อนอยู่เป็นระบบพลวัตเชิงเส้นที่มีความสัมพันธ์เชิงเส้นระหว่างตัวแปรที่เกี่ยวข้องและที่ที่ตัวแปรที่ซ่อนอยู่ ในกรณีง่าย ๆ เช่นระบบพลวัตเชิงเส้นที่กล่าวถึงการอนุมานที่แน่นอนนั้นง่ายต่อการใช้งาน (ในกรณีนี้ใช้ตัวกรองคาลมาน); อย่างไรก็ตามโดยทั่วไปการอนุมานที่แน่นอนใน HMMs ที่มีตัวแปรแฝงต่อเนื่องเป็นไปไม่ได้และต้องใช้วิธีการโดยประมาณ” แต่สำหรับฉันมันค่อนข้างสับสน ... ในคำง่ายๆนี้หมายถึงการติดตาม (จากการวิจัยเพิ่มเติมที่ฉันได้ทำไป): ใน HMM พื้นที่รัฐสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง นอกจากนี้ยังมีข้อสังเกตที่ตัวเองสามารถเป็นได้ทั้งที่ไม่ต่อเนื่องหรือต่อเนื่อง นอกจากนี้ …

21 machine-learning  self-study  hidden-markov-model  kalman-filter  particle-filter 

ฉันขาดความเข้าใจอย่างแท้จริงว่าตัวกรอง bootstrap ทำงานอย่างไร ฉันรู้แนวคิดคร่าวๆ แต่ไม่เข้าใจรายละเอียดบางอย่าง คำถามนี้สำหรับฉันที่จะล้างความยุ่งเหยิง ที่นี่ฉันจะใช้อัลกอริทึมตัวกรองยอดนิยมนี้จากการอ้างอิงโดย doucet (จนถึงตอนนี้ฉันคิดว่านี่เป็นการอ้างอิงที่ง่ายที่สุด) ก่อนอื่นให้ฉันบอกคุณว่าปัญหาของฉันคือการทำความเข้าใจว่าการแจกแจงนั้นรู้จักกันที่ไหนและไม่รู้อะไร นี่คือคำถามของฉัน: ใน 2) การกระจายคืออะไร การกระจายนี้เป็นที่รู้จักกัน ? เราจะรู้กระจายนี้สำหรับทุก ? ถ้าใช่ แต่ถ้าเราไม่สามารถลองได้ เป็นเรื่องตลกที่พวกเขาเรียกขั้นตอนการสุ่มตัวอย่างที่สำคัญนี้ แต่ฉันไม่เห็นการกระจายข้อเสนอp(xt|x(i)t−1)p(xt|xt−1(i))p(x_t|x^{(i)}_{t-1})ttt นอกจากนี้ใน 2)การกระจายที่รู้จักหรือไม่ "น้ำหนักความสำคัญของการทำให้เป็นมาตรฐานหมายถึง ? tilde บนและหมายถึงอะไรมันหมายถึงบางสิ่งบางอย่างที่ไม่ถูกสุ่มหรือไม่ได้มาตรฐานตามลำดับ?p(yt|x~(i)t)p(yt|x~t(i))p(y_t|\tilde{x}^{(i)}_{t})w(i)t=w~(i)t∑Ni=1w~(i)twt(i)=w~t(i)∑i=1Nw~t(i)w^{(i)}_{t}=\frac{\tilde{w}^{(i)}_{t}}{\sum_{i=1}^{N}\tilde{w}^{(i)}_{t}}xxxwww ฉันจะขอบคุณถ้าใครสามารถยกตัวอย่างของเล่นง่ายๆโดยใช้ดิสทริบิวชันที่มีชื่อเสียงเพื่อใช้ฟิลเตอร์ bootstrap นี้ เป้าหมายสุดท้ายของตัวกรอง bootstrap นั้นไม่ชัดเจนสำหรับฉัน

12 particle-filter 

ในกระดาษน้ำเชื้อ"การกรองอนุภาค Rao - Blackwellised สำหรับเครือข่าย Bayesian แบบไดนามิก"โดย A. Doucet และ อัล ลำดับ Monte Carlo กรอง (กรองอนุภาค) เสนอซึ่งจะทำให้การใช้งานของโครงสร้างเชิงเส้นในกระบวนการมาร์คอฟx k = ( x L k , x N k ) โดย marginalization ของโครงสร้างเชิงเส้นนี้ตัวกรองสามารถแบ่งออกเป็นสองส่วน: ส่วนที่ไม่ใช่เชิงเส้นซึ่งใช้ตัวกรองอนุภาคและส่วนหนึ่งเชิงเส้นซึ่งสามารถจัดการได้โดยตัวกรองคาลมาน (ปรับอากาศบนส่วนที่ไม่ใช่เชิงเส้นx N k )xLkxkLx^L_kxk=(xLk,xNk)xk=(xkL,xkN)x_k = (x^L_k, x^N_k)xNkxkNx^N_k ฉันเข้าใจว่าส่วนชายขอบ (และบางครั้งตัวกรองที่อธิบายไว้ก็เรียกอีกอย่างว่าตัวกรองชายขอบ) สัญชาตญาณของฉันทำไมมันถูกเรียกว่า Rao-Blackwellized Particle Filter (RBPF) ก็คือพารามิเตอร์ Gaussian เป็นสถิติที่เพียงพอสำหรับกระบวนการเชิงเส้นพื้นฐานและจากทฤษฎีบทของ Rao-Blackwell …

11 monte-carlo  particle-filter 

ฉันต้องการที่จะใช้ (ใน R) แบบจำลองเชิงเส้นตรงแบบง่าย ๆ ดังต่อไปนี้ซึ่งฉันมี 2 ตัวแปรที่ไม่รู้จักเวลา (ความแปรปรวนของข้อผิดพลาดการสังเกตและความแปรปรวนของข้อผิดพลาดของรัฐϵ 2 t )ε1เสื้อϵt1\epsilon^1_tε2เสื้อϵt2\epsilon^2_t Yเสื้อθt + 1==θเสื้อ+ ϵ1เสื้อθเสื้อ+ ϵ2เสื้อYt=θt+ϵt1θt+1=θt+ϵt2 \begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix} ฉันต้องการที่จะประมาณค่าพารามิเตอร์เหล่านี้ที่จุดในแต่ละครั้ง, โดยไม่ต้องมีอคติมองไปข้างหน้า จากสิ่งที่ฉันเข้าใจฉันสามารถใช้ MCMC (บนหน้าต่างกลิ้งเพื่อหลีกเลี่ยงอคติข้างหน้า) หรือตัวกรองอนุภาค (หรือ Sequential Monte Carlo - SMC) วิธีการที่คุณจะใช้และ อะไรคือข้อดีและข้อเสียของทั้งสองวิธี? คำถามโบนัส: ในวิธีการเหล่านี้คุณจะเลือกความเร็วของการเปลี่ยนแปลงพารามิเตอร์ได้อย่างไร ฉันเดาว่าเราต้องป้อนข้อมูลที่นี่เพราะมีการต่อรองระหว่างการใช้ข้อมูลจำนวนมากเพื่อประเมินพารามิเตอร์และใช้ข้อมูลน้อยลงเพื่อตอบสนองต่อการเปลี่ยนแปลงของพารามิเตอร์ได้เร็วขึ้นหรือไม่

11 r  mcmc  dlm  particle-filter 

ฉันกำลังพยายามทำความเข้าใจกับตัวกรองอนุภาคและการใช้งานที่เป็นไปได้ในด้านการเงินและฉันกำลังดิ้นรนไม่น้อย สิ่งที่จำเป็นต้องมีทางคณิตศาสตร์และสถิติที่ฉันควรกลับมา (มาจากพื้นหลังในด้านการเงินเชิงปริมาณ) เพื่อ (i) ทำให้พื้นฐานของตัวกรองอนุภาคสามารถเข้าถึงได้และ (ii) เข้าใจในภายหลังอย่างละเอียด? ฉันมีความรู้ที่ดีเกี่ยวกับเศรษฐมิติอนุกรมเวลาระดับบัณฑิตศึกษายกเว้นโมเดลอวกาศของรัฐซึ่งฉันยังไม่ได้ครอบคลุม คำแนะนำใด ๆ ที่ชื่นชมมาก!

10 time-series  particle-filter 

ดังนั้นฉันมีการทดลอง 16 ครั้งที่ฉันพยายามพิสูจน์ตัวตนบุคคลจากลักษณะทางชีวภาพโดยใช้ Hamming Distance เกณฑ์ของฉันถูกตั้งไว้ที่ 3.5 ข้อมูลของฉันอยู่ด้านล่างและเฉพาะการทดลองใช้ 1 เท่านั้นคือ True Positive: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 10 0.45 11 0.42 12 0.37 13 0.66 14 0.39 15 0.44 16 0.39 จุดสับสนของฉันคือฉันไม่แน่ใจจริงๆเกี่ยวกับวิธีสร้าง ROC curve …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction