Este hilo pregunta cuando un filtro de Kalman de tiempo discreto es mejor / diferente de un promedio móvil simple de las observaciones: no hay respuesta definitiva. Puede alguien dar un ejemplo definitivo donde el filtro kalman, idealmente en caso 1D simple, hace algo diferente (y mejor) que mantener un promedio móvil, y el estado de las condiciones cuando el filtro kalman se reduce a un promedio móvil simple un pensamiento es que el Kalman filtro no pesaría todos los puntos de datos por igual porque su varianza es inicialmente menor y mejora con el tiempo. Pero suena como que sólo importa cerca de las observaciones iniciales y que una vez que la varianza convergió, el filtro kalman pesaría cada observación igualmente igual que un promedio móvil, así que no vea cuando los dos son diferentes y por qué / cuando el filtro sería mejor . Pidió Feb 17 15 a las 23:52 como la primera respuesta (con la mayoría de los votos), dice, el filtro kalman es mejor en cualquier caso cuando la señal está cambiando. Observe la declaración del problema Estos usan el algoritmo para estimar un cierto voltaje constante. ¿Cómo podría el uso de un filtro de Kalman para esto es mejor que sólo mantener un promedio de ejecución Estos ejemplos son casos de uso demasiado simplificado del filtro utilizando un filtro kalman para estimar un voltaje constante es, sin duda, exceso. En ese problema particular es mejor utilizar el promedio de funcionamiento, que sabemos es el mejor estimador para las distribuciones gaussianas. En este ejemplo, la tensión medida es la tensión real V pero con cierto ruido típicamente modelado como 0 gaussiano medio (ruido blanco). De modo que nuestras mediciones son gaussianas con meanV y sigmasigma. El filtro kalman es más adecuado para estimar las cosas que cambian con el tiempo. El ejemplo más tangible es el seguimiento de objetos en movimiento. Vamos a imaginar lanzando una pelota, sabemos que hará un arco parabólico, pero lo que nuestros estimadores muestran Un filtro de Kalman será muy cercano a la trayectoria real, ya que dice que la medición más reciente es más importante que los más antiguos (cuando la covarianza Es baja que sea). El promedio en tiempo real toma todas las mediciones igualmente trayectoria de la bola azul, rojo-funcionando la media (lo siento no kalman si tengo tiempo malo tirar allí si tengo tiempo, pero me sería mucho más cercano a la línea azul asumiendo que modeló el sistema bien ) El filtro kalman por otro lado dice, si nuestra convariance y residual eran pequeños (lo que significa que teníamos una buena estimación), entonces vamos a seguir con la estimación anterior y ajustarlo un poco sobre la base de la residual (o nuestra estimación error). Ahora, ya que nuestro xhat kk está muy cerca del estado actual, cuando hagamos la siguiente actualización, usaremos un estado del sistema que se aproxima al estado real. En x30, el promedio de ejecución dice, la condición inicial y (0) es tan importante como y (29), eso es eso, y se obtiene un error enorme. El filtro de kalman explicó esto. Dijo que desde nuestro error la última vez fue enorme, permite hacer un cambio drástico a nuestra estimación (nuestro xhat) por lo que cuando lo usamos para la próxima actualización, estará más cerca de lo que realmente está sucediendo Espero que tenga sentido que acabo de notar Su pregunta acerca de un promedio móvil vs kalman. Respondí corriendo avg vs kalman (que es el tema del enlace que proporcionó) Sólo para agregar un poco más de información específicamente a la media móvil (con ventanas). El promedio móvil es un mejor estimador de los valores cambiantes. Puesto que sólo toma en cuenta las muestras más recientes. Desafortunadamente, tiene un retraso asociado con él, especialmente alrededor del cambio de derivados (sólo mire cerca de t30, donde la derivada va de positivo a negativo). Esto es porque el promedio es lento para ver la fluctuación. Cuál es típicamente porqué lo utilizamos, para quitar la fluctuación (ruido). El tamaño de la ventana también juega un papel. Una ventana más pequeña por lo general está más cerca de los valores medidos, lo que tiene sentido y suena bien, a la derecha La desventaja de esto es si usted tiene medidas ruidosas, una pequeña ventana significa que más ruido aparece más en la salida. Veamos la otra pregunta nuevamente mediciones con media .5, sigma .1 z 0.3708435, 0.4985331, 0.4652121. El promedio de las 3 primeras muestras es 0.4448629 no exactamente cercano al valor esperado .5. Esto muestra de nuevo, que con la ventana más pequeña, el ruido tiene un efecto más profundo en la salida. Entonces lógicamente nuestro siguiente paso es tomar ventanas más grandes, para mejorar nuestra inmunidad al ruido. Bueno, resulta que las ventanas más grandes son aún más lentas para reflejar los cambios reales (otra vez mirar en t30 en mi gráfico) y el caso más extremo de ventanas es básicamente el promedio de ejecución (que ya sabemos es malo para cambiar los datos) Ahora de vuelta a la mágica Filtro kalman Si usted piensa en ello es similar a un promedio de 2 ventanas de muestra (similar no es lo mismo). Observe X kk en el paso de actualización, toma el valor anterior y le agrega una versión ponderada de la muestra actual. Usted puede ser que piense, bien qué sobre ruido ¿Por qué no es susceptible al mismo problema como ventana promedio con un pequeño tamaño de muestreo Porque el filtro de kalman toma en cuenta la incertidumbre de cada medida. El valor de ponderación K (ganancia de kalman) puede ser, sin embargo, como una relación entre la covarianza (incertidumbre) de su estimación y la covarianza (incertidumbre) de la estimación actual (en realidad su residual, pero es más fácil pensar de esta manera) . Así que si la última medición tiene mucha incertidumbre K disminuye, y así la muestra más reciente juega un rollo más pequeño. Si la última medición tiene menos incertidumbre que la predicción, k aumenta, y ahora la nueva información juega un rol más grande en la siguiente estimación. Así que incluso con un pequeño tamaño de muestra, el filtro kalman sigue bloqueando mucho el ruido. De todos modos, espero que las respuestas a la ventana de avg vs kalman pregunta ahora respondió 18 de febrero a las 15:34 Otra toma: El filtro de Kalman le permite añadir más información acerca de cómo funciona el sistema de filtrado de youre. En otras palabras, puede utilizar un modelo de señal para mejorar la salida del filtro. Claro, un filtro de media móvil puede dar muy buenos resultados cuando usted está esperando una salida cercana a la constante. Pero tan pronto como la señal que usted está modelando es dinámica (piense las mediciones del discurso o de la posición), entonces el filtro simple del promedio móvil no cambiará rápidamente bastante (o en absoluto) comparado con qué el filtro de Kalman hará. El filtro de Kalman utiliza el modelo de señal, que captura su conocimiento de cómo cambia la señal, para mejorar su salida en términos de la varianza de la verdad. Respondió 18 de febrero 15 a las 13: 11La equivalencia se mantiene sólo para ciertos modelos, p. Ruido aleatorio de la caminata EWMA o tendencia lineal local holt-inviernos EWMA. Los modelos espaciales estatales son mucho más generales que los personalizados. También la inicialización tiene bases teóricas más sólidas. Si usted quiere pegarse al ruido aleatorio de la caminata, y usted no está familiarizado con el filtro de Kalman, entonces usted puede ser que sea mejor apagado con EWMAs. La equivalencia del filtro de Kalman con EWMA es sólo para el caso de una caminata aleatoria más ruido y está cubierta en el libro, Forecast Structural Time Series Model y Kalman Filter de Andrew Harvey . La equivalencia de EWMA con el filtro de Kalman para el paseo aleatorio con ruido se cubre en la página 175 del texto. Allí el autor también menciona que la equivalencia de los dos se mostró por primera vez en 1960 y da la referencia a ella. Aquí está el enlace de esa página del texto: books. google/booksidKc6tnRHBwLcCamppgPA175amplpgPA175ampdqewmaandkalmanforrandomwalkwithnoiseampsourceblampotsI3VOQsYZOCampsigRdUCwgFE1s7zrPFylF3e3HxIUNYamphlenampsaXampved0ahUKEwiK5t2J84HMAhWINSYKHcmyAXkQ6AEINDADvonepageampqewma20and20kalman20for20random20walk20with20noiseampffalse Ahora aquí es la referencia que cubre un ALETERNATIVE a la Kalman y los filtros de Kalman extendido - que arrojó resultados que coinciden con el filtro de Kalman, pero los resultados se obtienen mucho más rápido Es Doble suavizado exponencial: una alternativa al seguimiento predictivo basado en filtros de Kalman. En el resumen del artículo (ver más abajo) los autores declaran. Los resultados empíricos que apoyan la validez de nuestras afirmaciones de que estos predictores son más rápidos, más fáciles de implementar, y realizar de manera equivalente a los predictores de Kalman Kalman y filtro extendido de filtrado. Este es su resumen Se presentan nuevos algoritmos para el seguimiento predictivo de la posición del usuario y la orientación basada en el doble suavizado exponencial. Estos algoritmos, comparados con Kalman y los predictores extendidos de filtros basados en Kalman con modelos de medición libres de derivadas, se ejecutan aproximadamente 135 veces más rápido con un rendimiento de predicción equivalente y implementaciones más sencillas. Este documento describe estos algoritmos en detalle, junto con el Kalman y ampliado filtro Kalman predictores probado contra. Además, describimos los detalles de un experimento predictor y presentamos resultados empíricos que apoyan la validez de nuestras afirmaciones de que estos predictores son más rápidos, más fáciles de implementar y funcionan de manera equivalente a los predictores de Kalman y de filtro extendido de Kalman. No creo que esto realmente responda a la pregunta de por qué el filtro de Kalman y MA dan resultados similares, pero está tangencialmente relacionado. ¿Podría agregar una reverencia completa para el papel que cita, en lugar de un hipervínculo desnudo Esto sería a prueba de su respuesta en caso de que el enlace externo cambia. Ndash Silverfish Apr 8 at 5:46 No se suponía que fuera. Como dice la introducción, se supone que es una alternativa a Kalaman pero mucho más rápido. Si él u otro método fuera citado exactamente como Kalman, basado en el tema del artículo, el autor lo habría mencionado. Así que a ese respecto se responde a la pregunta. Ndash jimmeh Apr 9 at 12:15 La equivalencia de filtro de Kalman a la caminata aleatoria con EWMA se cubre en el libro Forecast Structural Time Series Model y Kalman Filter de Andrew Harvey. La equivalencia de EWMA con el filtro de Kalman para la caminata aleatoria se cubre en la página 175 del texto. Allí menciona que fue mostrado por primera vez en 1960 y da la referencia. Ndash jimmeh Apr 9 at 12: 54Kalman Filter - New Moving Average Ingresó mayo 2008 Estado: Miembro 58 Mensajes Adjunto es la versión cumplida tanto para el marco de tiempo múltiple como para el filtro de tiempo único de Kalman. Piense en ello como un tipo diferente de media móvil exponencial. Los ajustes son sencillos. Para AppliedPrice use lo siguiente: 0 - Precio Abierto 1 - Precio Bajo 2 - Alto Precio 3 - Cerrar Precio No tengo ningún otro tipo de precios añadido, y debido a la naturaleza del filtro no voy a añadir más en cualquiera. Me gustaría mencionar que el período es un poco diferente de lo que está acostumbrado a MAs. Todavía técnicamente hace lo mismo que el período en un EMA, pero debido a la naturaleza del filtro de Kalman que aumenta el período no tiene el mismo efecto que hace en otras medias móviles. Usted puede jugar con él, pero una sugerencia personal es mantener el período en 20,50,100 o más alto. El Kalman está configurado para algunos ajustes genéricos en este momento, pero si alguien tiene la ambición de meterse con las matrices que utiliza para los cálculos, avíseme y le dispararé el código a tu manera. Puesto que, como notarás, el normal Kalman no puede ser realmente un indicador de tendencia a largo plazo como un 200 SMA, puedes usar la versión de tiempo múltiple para ejecutar el Kalman en marcos de tiempo más largos y usarlo como indicador de quottrend. Yo prefiero esto ya que crea menos lag y simula el quotlooking en el gráfico más largo para asegurarse de que las señales matchquot teoría. Una idea es trazar un Daily o H4 Kalman en un gráfico de 15 o 30 minutos, y utilizarlo para jugar fuera de la tendencia a largo plazo para ese día. Acabo de terminar de depurar el indicador de hoy, y aunque muy útil, esta versión del indicador no es realmente mi enfoque ahora mismo. Estoy trabajando en optimizarlo para mis necesidades específicas, lo que implica un trabajo de matemáticas pesado, pero esta versión está configurada para ser un hombre de quotmiddle en la suavidad frente a la batalla de tiempo de respuesta que las AM siempre experimentan. Además, desde que acabo de terminar esto hoy no tengo una estrategia que se está aplicando actualmente, y no tengo un camino de oro a las riquezas con sólo un filtro más suave. Utilice el filtro como desee, quizás si usted juega alrededor con él y consigue creativo apenas pudo encontrar su manera en su estrategia comercial siguiente. Diferentes períodos de Kalman - Blue: 500 Kalman - Light Blue: 200 Kalman - Green: 100 Kalman - Red: 50 Kalman - Orange: 20 Kalman i295.photobucket / albums / m. Manperiods. gif Kissn todo el camino a la cima Los miembros deben tener al menos 0 vales para publicar en este hilo. 1 comerciante viendo ahora Forex Factoryreg es una marca registrada. Conectar Acerca de Productos
No comments:
Post a Comment