![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
贝叶斯滤波与平滑
贝叶斯滤波与平滑笔记
霸王龙就是霸王龙
这个作者很懒,什么都没留下…
展开
-
基于序贯重要性重采样的粒子滤波and(RBPF)
基于序贯重要性重采样的粒子滤波重要性采样重要性采样算法序贯重要性重采样SIR(粒子滤波)重采样过程Rao-Blackwellized粒子滤波RBPF(混合卡尔曼滤波器MKF)尽管高斯逼近可以有效的解决许多问题,但当滤波分布为多模型或者某些状态为离散时,高斯逼近将不再适用。在贝叶斯推理中,主要的推理问题可简化为求解下列后验分布的期望值:上式通常需要利用数值计算求解,其中在理想的蒙特卡洛逼近中,...原创 2020-04-26 19:34:28 · 2642 阅读 · 0 评论 -
广义高斯滤波
广义高斯滤波-高斯滤波器,gauss-hermite卡尔曼滤波器,容积卡尔曼滤波器高斯滤波器噪声可叠加型高斯滤波器噪声不可叠加型高斯滤波器Guass-hermite 卡尔曼滤波器Gauss-Hermite积分算法Gauss-Hermite容积算法叠加型Gauss−Hermite\bm{Gauss-Hermite}Gauss−Hermite卡尔曼滤波(GHKF)算法:容积卡尔曼滤波器球面容积积分:(...原创 2020-04-22 18:40:28 · 1178 阅读 · 0 评论 -
扩展卡尔曼滤波,无迹卡尔曼滤波和统计线性化滤波器
扩展卡尔曼滤波,无迹卡尔曼滤波和统计线性化滤波器背景说明扩展卡尔曼滤波扩展卡尔曼滤波-过程和量测噪声可叠加类型:扩展卡尔曼滤波-过程和量测噪声不可叠加类型:统计线性化滤波器统计线性化滤波器-噪声可叠加类型统计线性化滤波器-噪声不可叠加类型无迹卡尔曼滤波噪声可叠加的无迹卡尔曼滤波噪声不可叠加的无迹卡尔曼滤波背景说明由于在工程应用中,系统的动态模型和量测模型往往不是线性的,此时,卡尔曼滤波不再适用...原创 2020-04-19 19:31:46 · 1305 阅读 · 0 评论 -
状态空间模型中实际参数估计
状态空间模型中实际参数估计状态扩增法线性状态空间模型的参数估计利用高斯滤波与平滑的参数估计(非线性模型)基于粒子滤波与平滑的参数估计参数的 Rao-Blackwell 化(参数估计所有内容)状态扩增法线性状态空间模型的参数估计利用高斯滤波与平滑的参数估计(非线性模型)基于粒子滤波与平滑的参数估计参数的 Rao-Blackwell 化...原创 2020-05-27 19:23:05 · 3326 阅读 · 11 评论 -
参数估计的计算方法
参数估计的计算方法极大后验(MAP)及拉普拉斯逼近基于马尔可夫链的蒙特卡洛参数推断(MCMC)期望极大化(EM)(参数估计所有内容)极大后验(MAP)及拉普拉斯逼近极大后验估计:MAP是通过确定后验分布的极大值得到的,在点估计中的表达式为:MAP 估计可等效为能量函数的极小值:其中,能量函数表达式为:参数的极大似然估计即为一种标准先验概率满足下式的MAP估计:能量函数的极小值可通过多种基于无梯度或梯度的广义最优算法计算得到。若要利用基于梯度的广义最优化算法,需要计算能量函数的导数。计算能量原创 2020-05-27 19:21:58 · 5240 阅读 · 0 评论 -
状态空间模型中参数的贝叶斯估计
状态空间模型中参数的贝叶斯估计(参数估计所有内容)对于模型中的未知参数 θ∈Rd\bm{\mathbb{\theta \in R^d}}θ∈Rd,贝叶斯方法通常将其建模为先验分布已知的随机变量,且其先验分布表示为 p(θ)\bm{p(\theta)}p(θ)。参数全部已知时,系统状态空间模型可表示为:可由贝叶斯公式直接计算当前时刻的完全先验分布,计算式为:式中,相关分布的计算式为:若只需要估计参数向量 θ\bm{\theta}θ,贝叶斯方法通常对该状态量求积分,得到参数的边缘后验分布:但是这个原创 2020-05-27 19:23:55 · 1752 阅读 · 0 评论 -
参数估计
参数估计状态空间模型中参数的贝叶斯估计参数估计的计算方法状态空间模型中实际参数估计方法状态空间模型中参数的贝叶斯估计参数估计的计算方法状态空间模型中实际参数估计方法原创 2020-05-27 19:23:35 · 471 阅读 · 0 评论 -
粒子平滑器
粒子平滑SIR粒子平滑器后向模拟粒子平滑器重新加权平滑滤波Rao-Blackwellized 粒子平滑器在寻求平滑方法解决非线性或非高斯问题时,利用高斯逼近方法可能无法得到足够精确的逼近解。此时,最佳的解决办法是采用蒙特卡洛(粒子)逼近。本文中一些内容是在粒子滤波基础而来,如有不懂,可参考。SIR粒子平滑器SIR粒子平滑器直接将SIR算法应用于平滑。即:基于直接序列重要性重采样的平滑方法:⋅\bm{\cdot}⋅ 从先验分布中抽取 N\bm{N}N 个采样点 x0(i)\bm{x_0^{(i)}原创 2020-05-18 14:56:29 · 1139 阅读 · 0 评论 -
广义高斯平滑
广义高斯平滑广义高斯RTS平滑器高斯RTS平滑器Gauss-Hermite RTS平滑器叠加型Gauss-Hermite RTS平滑器:容积RTS平滑器广义固定点平滑方程广义固定滞后平滑方程本文的前三部分展示的平滑方法对应广义高斯滤波中的部分。广义高斯RTS平滑器高斯RTS平滑器叠加型高斯RTS平滑器:上式中的积分方法也可以用类似的数值积分或滤波中的解析逼近方法逼近。非叠加型高斯RTS平滑器由于上述积分仅在特俗条件下才有闭型解,故以上算法主要用于理论分析。Gauss-Hermite RTS平原创 2020-05-16 19:06:21 · 545 阅读 · 0 评论 -
扩展、统计线性化和无迹RTS平滑器
扩展、统计线性化和无迹RTS平滑器扩展RTS平滑器(ERTSS)扩展RTS平滑器统计线性化RTS平滑器无迹RTS平滑器本文介绍基于线性化、统计线性化和无迹变换的RTS平滑器,分别对应EKF、SLF和ULF。这些平滑器用于对非线性状态空间模型贝叶斯解的高斯逼近。扩展RTS平滑器(ERTSS)ERTSS对平滑分布的高斯逼近表达式为:由下式叠加模型:xk=f(xk−1)+qk−1yk=h(xk)+r\bm{x_k = f(x_{k-1})+q_{k-1}} \\\bm{y_k = h(x_k)+r}原创 2020-05-15 16:19:56 · 2174 阅读 · 0 评论 -
贝叶斯平滑及其精确解
贝叶斯平滑及其精确解贝叶斯平滑方程贝叶斯最优平滑方程Rauch-Tung-Striebel 平滑器RTS平滑器平滑与滤波的区别在于:滤波只是用当前以及之前的量测量去估计当前状态(也可能是未来)的估计值。而贝叶斯平滑在进行估计时还用到了当前时刻之后的量测量。使得估计更加的准确。贝叶斯平滑方程贝叶斯平滑的目的在于获得截止到T\bm{T}T时刻的量测量后,计算k\bm{k}k时刻状态xk\bm{x_k}xk的边缘后验分布,如下:(其中 k<T\bm{k<T}k<T)。p(xk∣y1:T原创 2020-05-14 15:29:22 · 2193 阅读 · 0 评论