1.概率图模型加上时间维度,变成 动态系统
2.HMM是一个典型的动态系统,它的隐状态是离散的
3. 线性动态系统 (LDS)是隐变量为连续时的动态系统
4.LDS又称卡尔曼滤波,它更关心滤波问题
5.利用递归公式可以求解滤波问题,分两步走: prediction和update
我们知道,概率图模型加上时间维度,就成为了 动态系统(Dynamic Model)。隐马尔科夫模型(HMM)就是一个典型的动态系统。
HMM的隐状态是离散的,如果隐状态是连续的,那么就延伸出了 线性动态系统(Linear Dynamic System),又称卡尔曼滤波(kalman Filter)。我们这一篇就来介绍这个模型。
模型介绍
LDS的概率图模型跟HMM是一样的,只不过隐状态是连续的。除此之外,LDS还假设是线性的动态系统,噪音服从正态分布:
类比到HMM的参数λ,LDS参数为 θ(A,B,C,D,Q,R,μ,∑):
其中,Z1是初始状态的分布,需要给定。
滤波问题
我们知道,模型推断包含五个问题,LDS别称卡尔曼滤波,顾名思义,其更关心滤波问题:
我们展开有:
对联合概率分布展开:
可以看到,最后一项概率就是 prediction问题:
这将其归结为过滤问题,因此找到了递归方程。
[En]
This reduces it to the filtering problem, so the * recursive equation * is found.
prediction+update
由上面可知,求解t时刻的滤波问题,可以分为两部分,首先做 预测(prediction),然后对后验p(z)做 修正(update):
这样我们就能得到T时刻的滤波问题,而且我们还能对下一个时刻做预测。
由于假设都是高斯分布,我们可以直接求解prediction问题和update问题:
step1:prediction
step2:update
1~t-1是观测值,已知,给定新证据xt,我们实际求:
利用已知高斯分布p(x),p(y|x),可以求得p(x|y)。
高斯分布的联合概率分布、条件概率分布、边缘概率分布求解在很早的文章已经给出,传送门:高斯分布,高斯分布补充知识点
Original: https://blog.csdn.net/qq_27388259/article/details/112057847
Author: 整得咔咔响
Title: 线性动态系统LDS(别名:卡尔曼滤波)
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/524882/
转载文章受原作者版权保护。转载请注明原作者出处!