Implementierung der Kalman Filter Schätzung von Mean in Python mit PyKalman, Bokeh und NSEPy

Kalman Filter Overview (Dezember 2018).

Anonim

Der Kalman-Filter ist ein optimaler Schätzalgorithmus, um die indirekt messbare Größe zu schätzen und die beste Schätzung von Zuständen zu finden, indem Messungen von verschiedenen Sensoren in Anwesenheit von Rauschen kombiniert werden.

Der Kalman-Filter wurde nach Rudolf E. Kálmán, einem der wichtigsten Entwickler seiner Theorie, benannt. Kalman Filter hat eine breite Palette von Anwendungen aus der Luft- und Raumfahrt Navigation, Robotik, Trajektorie-Optimierung, Steuerungssysteme, Signalverarbeitung, Zeitreihenanalyse und Ökonometrie. Tatsächlich wurde die erste Anwendung des Kalman-Filters Anfang der 1960er Jahre im NASA-AMES-Zentrum während der Machbarkeitsstudie der zirkumlinearen Navigationssteuerung der Apollo-Raumkapsel durchgeführt.

Kalman Filters ist ideal für Systeme, die sich ständig ändern und gut für den Aufbau von Echtzeit-Systemen geeignet sind, da der Kalman-Filter ein dynamisches lineares Modell ist, das sich an eine sich ständig ändernde Umgebung anpassen kann. Der Hauptvorteil von Kalman Filter ist, dass es auch vorhersagend, adaptiv und sehr schnell ist, da es nicht die historischen Daten, sondern den vorherigen Zustand verfolgt.

Kalman Filter erklärt in einfachen Begriffen

Kalman Filter Zustandsschätzung

Kalman Filter - Optimaler Zustandsschätzer

Wenn es um die Implementierung von Kalman-Filtern geht, ist Python sehr praktisch, da die Bibliothek PyKalman das Leben einfacher macht, als mit komplexen mathematischen Dingen zu graben
Kalman-Schätzung berechnen.

Implementierung der Kalman Filter Mean Estimation im IPython Notebook mit PyKalman, Bokeh, NSEPy und Pandas zur Darstellung interaktiver Intraday Candlestick Charts mit dem Kalman Filter

Im nächsten Tutorial werden wir ein interessanteres statistisches Modell diskutieren und wie man dasselbe in Python implementiert.