Rekurencyjna estymacja bayesowska - Recursive Bayesian estimation
W teorii prawdopodobieństwa , statystyki i uczenia maszynowego , rekurencyjnego Twierdzenia Bayesa , znany również jako filtr Bayesa , to ogólny probabilistyczny podejście do szacowania nieznanej funkcji gęstości prawdopodobieństwa ( PDF ) rekurencyjnie w czasie za pomocą pomiarów przychodzących i model matematyczny procesu. Proces ten w dużej mierze opiera się na koncepcjach i modelach matematycznych, które są opracowywane w ramach badania prawdopodobieństw wcześniejszych i późniejszych, znanych jako statystyka bayesowska .
W robotyce
Filtr Bayesa to algorytm używany w informatyce do obliczania prawdopodobieństwa wielu przekonań, aby umożliwić robotowi wywnioskowanie jego pozycji i orientacji. Zasadniczo filtry Bayesa umożliwiają robotom ciągłe aktualizowanie ich najbardziej prawdopodobnej pozycji w układzie współrzędnych, na podstawie ostatnio uzyskanych danych z czujników. To jest algorytm rekurencyjny. Składa się z dwóch części: przewidywania i innowacji. Jeśli zmienne mają rozkład normalny, a przejścia są liniowe, filtr Bayesa staje się równy filtrowi Kalmana .
W prostym przykładzie robot poruszający się po siatce może mieć kilka różnych czujników, które dostarczają mu informacji o jego otoczeniu. Robot może wystartować z pewnością, że znajduje się na pozycji (0,0). Jednak w miarę jak robot porusza się coraz dalej od swojej pierwotnej pozycji, robot ma coraz mniej pewności co do swojej pozycji; przy użyciu filtra Bayesa do przekonania robota o jego aktualnej pozycji można przypisać prawdopodobieństwo, które może być stale aktualizowane na podstawie dodatkowych informacji z czujnika.
Model
Zakłada się, że stan prawdziwy jest nieobserwowanym procesem Markowa , a pomiary są obserwacjami modelu ukrytego Markowa (HMM). Poniższy rysunek przedstawia sieć bayesowską HMM.
Ze względu na założenie Markowa prawdopodobieństwo aktualnego stanu rzeczywistego przy danym bezpośrednio poprzedzającym jest warunkowo niezależne od innych stanów wcześniejszych.
Podobnie, pomiar w k-tym kroku czasowym zależy tylko od aktualnego stanu, więc jest warunkowo niezależny od wszystkich innych stanów przy danym stanie bieżącym.
Korzystając z tych założeń, rozkład prawdopodobieństwa we wszystkich stanach HMM można zapisać po prostu jako:
Jednakże, gdy stosuje się filtr Kalmana do oszacowania stanu x , interesujący rozkład prawdopodobieństwa jest powiązany z bieżącymi stanami uwarunkowanymi pomiarami aż do bieżącego kroku czasowego. (Uzyskuje się to poprzez marginalizowanie poprzednich stanów i dzielenie przez prawdopodobieństwo zestawu pomiarowego.)
Prowadzi to do przewidywania i aktualizacji etapów filtru Kalmana zapisanego probabilistycznie. Rozkład prawdopodobieństwa związany z przewidywanym stanem jest sumą (całką) iloczynów rozkładu prawdopodobieństwa związanego z przejściem z ( k -1)-tego kroku czasowego do k -tego oraz rozkładu prawdopodobieństwa związanego z poprzednim stanem, ponad wszystkie możliwe .
Rozkład prawdopodobieństwa aktualizacji jest proporcjonalny do iloczynu prawdopodobieństwa pomiaru i stanu przewidywanego.
Mianownik
jest stała względem , więc zawsze możemy ją zastąpić współczynnikiem , który w praktyce zwykle można zignorować. Licznik można obliczyć, a następnie po prostu znormalizować, ponieważ jego całka musi być jednością.
Aplikacje
- Filtr Kalmana , rekurencyjny filtr bayesowski dla wielowymiarowych rozkładów normalnych
- Filtr cząstek , technika sekwencyjna oparta na Monte Carlo (SMC), która modeluje plik PDF przy użyciu zestawu dyskretnych punktów
- Estymatory oparte na siatce, które dzielą plik PDF na deterministyczną dyskretną siatkę
Sekwencyjne filtrowanie bayesowskie
Sekwencyjne filtrowanie bayesowskie jest rozszerzeniem estymacji bayesowskiej dla przypadku, gdy obserwowana wartość zmienia się w czasie. Jest to metoda oszacowania rzeczywistej wartości obserwowanej zmiennej, która ewoluuje w czasie.
Metoda nosi nazwę:
- filtracja
- przy szacowaniu aktualnej wartości z uwagi na przeszłe i aktualne obserwacje,
- wygładzanie
- przy szacowaniu przeszłych wartości biorąc pod uwagę przeszłe i aktualne obserwacje oraz
- Prognoza
- przy szacowaniu prawdopodobnej przyszłej wartości na podstawie obserwacji przeszłych i bieżących.
Pojęcie sekwencyjnego filtrowania bayesowskiego jest szeroko stosowane w sterowaniu i robotyce .
Zewnętrzne linki
- Arulampalam, M. Sanjeev; Maskell, Szymon; Gordon, Neil (2002). „Samouczek na filtry cząstek dla on-line nieliniowego / niegaussowskiego śledzenia Bayesa”. Transakcje IEEE dotyczące przetwarzania sygnałów . 50 (2): 174–188. CiteSeerX 10.1.1.117.1144 . doi : 10.1109/78.978374 .
- Burkhart, Michael C. (2019). „Rozdział 1. Przegląd filtrowania bayesowskiego”. Dyskryminacyjne podejście do filtrowania bayesowskiego z aplikacjami do dekodowania neuronowego człowieka . Providence, RI, USA: Brown University. doi : 10.26300/nhfp-xv22 .
- Chen, Zhe Sage (2003). „Filtrowanie bayesowskie: od filtrów Kalmana do filtrów cząstek i nie tylko”. Statystyka: czasopismo statystyki teoretycznej i stosowanej . 182 (1): 1-69.
- Diard, Julien; Bessiere, Pierre; Mazer, Emmanuel (2003). „Ankieta modeli probabilistycznych z wykorzystaniem metodologii programowania bayesowskiego jako ramy ujednolicającej” (PDF) . cogprints.org.
- Wołkow, Aleksander (2015). „Granice dokładności niegaussowskiego śledzenia Bayesa w środowisku NLOS”. Przetwarzanie sygnału . 108 : 498–508. doi : 10.1016/j.sigpro.2014.10.025 .
- Särkkä, Simo (2013). Filtrowanie i wygładzanie Bayesa (PDF) . Wydawnictwo Uniwersytetu Cambridge.