我有一个简单的卡尔曼模型:
y_1_t = (1 + phi) * alpha_t + e_1_t
y_2_t = (1 - phi) * alpha_t + e_2_t
alpha_t+1 = alpha_t + s_t
现在我知道 e_1_t 和 e_2_t 随时间的变化 - 它们不是恒定的。是否有一个 python 包可以用来估计这个模型?
参数 phi 未知。如果模型能够估计的话那就太好了。如果没有,也可以提供,因为存在近似估计。
非常感谢您的任何提示。
PS:我还检查了 pykalman 库。 https://pykalman.github.io/#mathematical-formulation 。似乎这里假设方差随着时间的推移保持不变。
最佳答案
如果您需要在估计期间更改转移协方差(矩阵Q
)或测量协方差(矩阵R
),您仍然可以使用pykalman
您在问题中提到的库。
看看函数 filter_update()
。如果您想从一次调用更改某些过滤器参数(尤其是协方差矩阵)到另一次调用,它会很有用。
函数调用如下所示:
filter_update(filtered_state_mean、filtered_state_covariance、observation=None、transition_matrix=None、transition_offset=None、transition_covariance=None、observation_matrix=None、observation_offset=None、observation_covariance=None)
要修改协方差矩阵,您只需将自定义值放入 transition_covariance 和 observation_covariance
看看我的帖子:Kalman filter with varying timesteps
在此示例中,我根据测量来源的传感器动态修改了观测协方差:
if Sensor[t] == 0:
obs = None
obs_cov = None
else:
obs = [X[t], Y[t]]
if Sensor[t] == 1:
obs_cov = np.asarray(R_1)
else:
obs_cov = np.asarray(R_2)
filtered_state_means[t], filtered_state_covariances[t] = (
kf.filter_update(
filtered_state_means[t-1],
filtered_state_covariances[t-1],
observation = obs,
observation_covariance = obs_cov)
)
由于某种原因,必须将观察协方差转换为 np.asarray
,否则该库将无法工作。
关于python - 卡尔曼滤波随着时间的推移改变已知方差?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56596133/