“观察偏移”和“预测状态”在pykalman标准滤波模块中是什么意思？
我正在使用一个叫做 pykalman 的模块，里面有一个函数叫 _filter_correct，我用它来修正我的预测数据。
这个函数里有一些参数我不太明白，尽管我尝试去理解这个函数的原理。
他们说：
observation_offset是在时间t的观察值的偏移量。predict_state_mean是在时间t的状态均值，基于从times[0...t-1]的观察值。- 其他参数我都理解了。
顺便说一下，我是在预测一个单变量参数（风速），预测的是未来7天6小时的情况，并且我还把这些数据连接在一起！
你能帮我解释一下这个函数的参数吗？
1 个回答
0
根据我的理解，observation_offset 实际上是测量噪声的平均值。卡尔曼滤波器需要噪声是零均值的高斯信号，如果有偏移量的话，就会影响预测。这个库会自己消除偏移量，所以需要你提前提供一个值。（不过我觉得这并不是必须的，因为我猜它本身会计算这个值。提前给出只是对前几次迭代有帮助。但我不太确定，因为文档写得很糟糕。另一个猜测是，它把 NULL 作为默认值，所以 NULL 应该不会有问题。）
举个例子，如果你的温度计总是给出结果为 real_temperature + 2 + zero_mean_gaussian_noise，那么你的 observation_offset 就必须是 2，这样才能把噪声调整到零均值。这里你可以找到更详细的信息。
我再次假设（因为通过谷歌搜索没有找到任何关于 predicted_state_mean 的信息）predicted_state_mean 这个名字暗示它是预测的结果值。卡尔曼滤波器有两个阶段：预测和更新。在预测阶段，根据你的系统动态和当前状态的信息，你会预测下一个状态。
比如说，如果你有一辆车在位置 0，以每秒 5 个单位的速度移动，那么在 2 秒后，你的车会到达位置 10。卡尔曼首先会预测这个信息，然后在更新状态时比较预测结果和实际观察到的（你的传感器数据）结果。