Kalmano filtro įverčio nustatymas Python sistemoje naudojant PyKalman, Bokeh ir NSEPy

1. Trajektorijos numatymas naudojant Kalmano filtrą ir ekstrapoliaciją (Liepa 2019).

Anonim

Kalmano filtras yra optimalus vertinimo algoritmas, skirtas įvertinti kintamąjį, kuris gali būti netiesiogiai matuojamas, ir nustatyti geriausią būsenų įvertinimą, derinant matavimus iš įvairių jutiklių esant triukšmui.

Kalmano filtras yra pavadintas Rudolfas E. Kálmanas, vienas iš pagrindinių jo teorijos kūrėjų. Kalmano filtras turi platų asortimento spektrą navigacijos, robotų, trajektorijos optimizavimo, valdymo sistemų, signalų apdorojimo, laiko eilučių analizės ir ekonometrijos srityse. Faktiškai pirmoji Kalmano filtro paraiška buvo padaryta NASA AMES centre 1960-ųjų pradžioje, atliekant apolinės erdvinės kapsulės perimetrinės navigacijos kontrolės galimybių studiją.

"Kalman" filtrai idealiai tinka sistemoms, kurios nuolat keičiasi ir puikiai tinka kurti realaus laiko sistemas, nes kalmano filtras yra dinamiškas linijinis modelis, kuris gali prisitaikyti prie kintančios aplinkos. Pagrindinis Kalmano filtro pranašumas yra tas, kad jis yra prognozuojamas, adaptuojamas taip pat ir yra labai greitas, nes jis neatitinka istorinių duomenų, o ankstesnės būsenos.

Kalmano filtras aiškinamas paprastomis sąlygomis

Kalmano filtrai valstijos įvertinimas

Kalmano filtras - optimalus valstybės nustatytojas

Kalbant apie Kalmano filtro įgyvendinimą, python yra labai patogu, nes PyKalman biblioteka palengvina gyvenimą, o ne kasti su sudėtingomis matematinėmis medžiagomis
apskaičiuoti kalmano įvertinimą.

Kalmano filtro vidurkio įvertinimo įdiegimas "IPython" nešiojamame kompiuteryje naudojant "PyKalman", "Bokeh", "NSEPy" ir "pandas", skirtus interaktyvioms dienos šviesos diodų charakteristikoms su Kalmano filtru

Kituose pamokose mes aptarsime įdomų statistinį modelį ir kaip jį įdiegti "python".