Jump to content

Filtri Kallman: Dallime mes rishikimesh

Nga Wikipedia, enciklopedia e lirë
Ndryshimi më pas →
Content deleted Content added
PamorTekst wiki
Krijuar nga përkthimi i faqes "Kalman filter"
(Pa ndryshime)

Versioni i datës 29 maj 2024 22:57

Filtri Kalman ruan gjendjen e vlerësuar të sistemit dhe variancën ose pasigurinë e vlerësimit. Vlerësimi përditësohet duke përdorur një model të tranzicionit të gjendjes dhe matje. tregon vlerësimin e gjendjes së sistemit në hapin kohor k përpara se të merret parasysh matja e k -të y k ; është pasiguria përkatëse.

Për statistikat dhe teorinë e kontrollit, filtrimi Kallman, i njohur gjithashtu si vlerësim kuadratik linear ( VKL/LQE ), është një algoritëm që përdor një seri matjesh të vëzhguara me kalimin e kohës, duke përfshirë zhurmën statistikore dhe pasaktësi të tjera, dhe prodhon vlerësime të ndryshoreve të panjohura që priren të jenë më shumë të sakta se ato të bazuara vetëm në një matje të vetme, duke vlerësuar një shpërndarje të përbashkët probabiliteti mbi ndryshoret për çdo kornizë kohore. Filtri është emëruar sipas Rudolf E. Kálmán, i cili ishte një nga zhvilluesit kryesorë të teorisë së tij.

Ky filtër dixhital nganjëherë quhet filtri Stratonovich–Kalman–Bucy sepse është një rast i veçantë i një filtri më të përgjithshëm, jolinear të zhvilluar disi më herët nga matematikani sovjetik Ruslan Stratonovich . [1] [2] [3] [4] Në fakt, disa nga ekuacionet e rasteve të veçanta të filtrit linear u shfaqën në letrat e Stratonoviçit që u botuan përpara verës së vitit 1961, kur Kalmani u takua me Stratonoviçin gjatë një konference në Moskë. [5]

Filtrimi Kalman [6] ka zbatime të shumta teknologjike. Një zbatim i zakonshëm është për drejtimin, navigimin dhe kontrollin e automjeteve, veçanërisht avionëve, anijeve kozmike dhe anijeve të pozicionuara në mënyrë dinamike . [7] Për më tepër, filtrimi Kallman është një koncept shumë i zbatueshëm në analizën e serive kohore që përdoret për tema të tilla si përpunimi i sinjalit dhe ekonometria . Filtrimi Kallman është gjithashtu një nga temat kryesore të planifikimit dhe kontrollit të lëvizjes robotike [8] [9] dhe mund të përdoret për optimizimin e trajektores . [10] Filtrimi Kallman gjithashtu funksionon për modelimin e kontrollit të lëvizjes së sistemit nervor qendror . Për shkak të vonesës kohore midis lëshimit të komandave motorike dhe marrjes së reagimeve ndijore, përdorimi i filtrave Kallman [11] ofron një model realist për të bërë vlerësime të gjendjes aktuale të një sistemi motorik dhe lëshimin e komandave të përditësuara. [12]

Algoritmi funksionon nga një proces dyfazor që ka një fazë parashikimi dhe një fazë përditësimi. Për fazën e parashikimit, filtri Kalman prodhon vlerësime të ndryshoreve të gjendjes së tanishme, së bashku me pasiguritë e tyre. Pasi të vërehet rezultati i matjes tjetër (domosdoshmërisht i korruptuar me ndonjë gabim, duke përfshirë zhurmën e rastit), këto vlerësime përditësohen duke përdorur një mesatare të peshuar, me më shumë peshë për vlerësimet me siguri më të madhe. Algoritmi është rekursiv. Mund të funksionojë në kohë reale, duke përdorur vetëm matjet e tanishme të hyrjes dhe gjendjen e llogaritur më parë dhe matricën e saj të pasigurisë; nuk kërkohet asnjë informacion shtesë në të kaluarën.

Optimaliteti i filtrimit Kalman supozon se gabimet kanë një shpërndarje normale (Gaussian) . Sipas fjalëve të Rudolf E. Kálmán : "Supozimet e mëposhtme janë bërë në lidhje me proceset e rastësishme: Dukuritë fizike të rastësishme mund të mendohen si pasojë e burimeve të rastësishme parësore që ngacmojnë sisteme dinamike. Burimet parësore supozohen të jenë procese të rastësishme gausiane të pavarura me mesatare zero: sistemet dinamike do të jenë lineare." [13] Pavarësisht nga Gaussianiteti, megjithatë, nëse dihen kovarianca të procesit dhe matjes, atëherë filtri Kalman është vlerësuesi më i mirë linear i mundshëm në kuptimin minimal mesatar-katror të gabimit, [14] edhe pse mund të ketë vlerësues jolinearë më të mirë. Është një keqkuptim i zakonshëm (i përjetësuar në literaturë) që filtri Kalman nuk mund të zbatohet me rigorozitet nëse të gjitha proceset e zhurmës supozohen të jenë gausiane. [15]

Janë zhvilluar gjithashtu zgjerime dhe përgjithësime të metodës, si filtri i zgjeruar Kalman dhe filtri pa aromë Kalman, të cilët punojnë në sisteme jolineare . Baza është një model i fshehur Markov i tillë që hapësira e gjendjes së ndryshoreve latente është e vazhdueshme dhe të gjitha variablat latente dhe të vëzhguara kanë shpërndarje Gaussian. Filtrimi Kallman është përdorur me sukses në fuzionin me shumë sensorë, [16] dhe rrjetet e sensorëve të shpërndarë për të zhvilluar filtrimin Kallman të shpërndarë ose konsensus . [17]

  1. ^ Stratonovich, R. L. (1959). Optimum nonlinear systems which bring about a separation of a signal with constant parameters from noise. Radiofizika, 2:6, pp. 892–901.
  2. ^ Stratonovich, R. L. (1959). On the theory of optimal non-linear filtering of random functions. Theory of Probability and Its Applications, 4, pp. 223–225.
  3. ^ Stratonovich, R. L. (1960) Application of the Markov processes theory to optimal filtering. Radio Engineering and Electronic Physics, 5:11, pp. 1–19.
  4. ^ Stratonovich, R. L. (1960). Conditional Markov Processes. Theory of Probability and Its Applications, 5, pp. 156–178.
  5. ^ Stepanov, O. A. (15 maj 2011). "Kalman filtering: Past and present. An outlook from Russia. (On the occasion of the 80th birthday of Rudolf Emil Kalman)". Gyroscopy and Navigation. 2 (2): 105. doi:10.1134/S2075108711020076. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)Mirëmbajtja CS1: Datë e përkthyer automatikisht (lidhja)
  6. ^ Fauzi, Hilman; Batool, Uzma (15 korrik 2019). "A Three-bar Truss Design using Single-solution Simulated Kalman Filter Optimizer". Mekatronika. 1 (2): 98–102. doi:10.15282/mekatronika.v1i2.4991. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)Mirëmbajtja CS1: Datë e përkthyer automatikisht (lidhja)
  7. ^ Paul Zarchan; Howard Musoff (2000). Fundamentals of Kalman Filtering: A Practical Approach. American Institute of Aeronautics and Astronautics, Incorporated. ISBN 978-1-56347-455-2. {{cite book}}: Mungon ose është bosh parametri |language= (Ndihmë!)
  8. ^ Lora-Millan, Julio S.; Hidalgo, Andres F.; Rocon, Eduardo (2021). "An IMUs-Based Extended Kalman Filter to Estimate Gait Lower Limb Sagittal Kinematics for the Control of Wearable Robotic Devices". IEEE Access. 9: 144540–144554. Bibcode:2021IEEEA...9n4540L. doi:10.1109/ACCESS.2021.3122160. ISSN 2169-3536. {{cite journal}}: |hdl-access= ka nevojë për |hdl= (Ndihmë!); Mungon ose është bosh parametri |language= (Ndihmë!)
  9. ^ Kalita, Diana; Lyakhov, Pavel (dhjetor 2022). "Moving Object Detection Based on a Combination of Kalman Filter and Median Filtering". Big Data and Cognitive Computing (në anglisht). 6 (4): 142. doi:10.3390/bdcc6040142. ISSN 2504-2289.{{cite journal}}: Mirëmbajtja CS1: Datë e përkthyer automatikisht (lidhja)
  10. ^ Ghysels, Eric; Marcellino, Massimiliano (2018). Applied Economic Forecasting using Time Series Methods. New York, NY: Oxford University Press. fq. 419. ISBN 978-0-19-062201-5. OCLC 1010658777. {{cite book}}: Mungon ose është bosh parametri |language= (Ndihmë!)
  11. ^ Azzam, M. Abdullah; Batool, Uzma; Fauzi, Hilman (15 korrik 2019). "Design of an Helical Spring using Single-solution Simulated Kalman Filter Optimizer". Mekatronika. 1 (2): 93–97. doi:10.15282/mekatronika.v1i2.4990. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)Mirëmbajtja CS1: Datë e përkthyer automatikisht (lidhja)
  12. ^ Wolpert, Daniel; Ghahramani, Zoubin (2000). "Computational principles of movement neuroscience". Nature Neuroscience. 3: 1212–7. doi:10.1038/81497. PMID 11127840. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)
  13. ^ Kalman, R. E. (1960). "A New Approach to Linear Filtering and Prediction Problems". Journal of Basic Engineering. 82: 35–45. doi:10.1115/1.3662552. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)
  14. ^ Humpherys, Jeffrey (2012). "A Fresh Look at the Kalman Filter". SIAM Review. 54 (4): 801–823. doi:10.1137/100799666. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)
  15. ^ Uhlmann, Jeffrey; Julier, Simon (2022). "Gaussianity and the Kalman Filter: A Simple Yet Complicated Relationship" (PDF). Journal de Ciencia e Ingeniería. 14 (1): 21–26. doi:10.46571/JCI.2022.1.2. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)
  16. ^ Li, Wangyan; Wang, Zidong; Wei, Guoliang; Ma, Lifeng; Hu, Jun; Ding, Derui (2015). "A Survey on Multisensor Fusion and Consensus Filtering for Sensor Networks". Discrete Dynamics in Nature and Society (në anglisht). 2015: 1–12. doi:10.1155/2015/683701. ISSN 1026-0226.
  17. ^ Li, Wangyan; Wang, Zidong; Ho, Daniel W. C.; Wei, Guoliang (2019). "On Boundedness of Error Covariances for Kalman Consensus Filtering Problems". IEEE Transactions on Automatic Control. 65 (6): 2654–2661. doi:10.1109/TAC.2019.2942826. ISSN 0018-9286. {{cite journal}}: Mungon ose është bosh parametri |language= (Ndihmë!)
Marrë nga "https://sq.wikipedia.org/w/index.php?title=Filtri_Kallman&oldid=2667068"