精华内容
下载资源
问答
  • 变分高斯过程状态空间模型 这是根据我为2014 NIPS论文撰写的研究代码制作Matlab工具箱的尝试。 不幸的是,我没有时间向工具箱添加很多功能,并且我目前无法提供任何支持。 要运行代码: 确保您的Matlab路径上有GPML...
  • 高斯过程状态空间模型 介绍 这个Matlab工具箱实现了基于高斯过程学习(即识别)非线性动力学系统的状态空间模型的算法。 提议的方法有一些优点: 用户无需给出系统动力学的参数形式。 通过选择协方差函数来介绍关于...
  • 文章目录线性高斯时间序列模型基于高斯过程的非线性自回归模型状态转移函数基于高斯过程状态空间模型观测函数基于高斯过程状态空间模型状态转移函数和观测函数都基于高斯过程状态空间模型状态转移函数基于高斯...

    线性高斯时间序列模型

    在这里插入图片描述

    基于高斯过程的非线性自回归模型

    在这里插入图片描述

    状态转移函数基于高斯过程的状态空间模型

    在这里插入图片描述

    观测函数基于高斯过程的状态空间模型

    在这里插入图片描述

    状态转移函数和观测函数都基于高斯过程的状态空间模型

    在这里插入图片描述

    状态转移函数基于高斯过程的非1阶马尔科夫状态空间模型

    在这里插入图片描述

    隐变量基于高斯过程的高斯隐变量模型

    在这里插入图片描述

    展开全文
  • 本文提出了一系列学习时间序列贝叶斯非参数模型的算法,这些模型的目标是双重的。首先,它们的目标是做出预测,量化由于数据数量和质量的限制而产生的不确定性。第二,它们具有足够的灵活性,可以对高度复杂的数据...

    在这里插入图片描述

    本文为英国剑桥大学(作者:RogerFrigola-Alcalde)的博士论文,共109页。

    时间序列数据的分析在社会科学、生物学、工程学或计量经济学等领域都很重要。本文提出了一系列学习时间序列贝叶斯非参数模型的算法,这些模型的目标是双重的。首先,它们的目标是做出预测,量化由于数据数量和质量的限制而产生的不确定性。第二,它们具有足够的灵活性,可以对高度复杂的数据建模,同时在数据不需要复杂模型时防止过度拟合。

    首先,我们对基于高斯过程的时间序列模型进行了统一的文献综述;然后,我们将注意力集中在高斯过程的状态空间模型(GP-SSM):离散时间非线性状态空间模型的贝叶斯非参数泛化。我们提出了一个新的GP-SSM公式,并对其性质提供了新的见解;然后,我们通过开发基于粒子马尔可夫链蒙特卡罗和变分推理的GP-SSM新学习算法来进一步挖掘这些见解。

    最后,我们提出了一个过滤的非线性自回归模型,该模型具有简单、鲁棒、快速的学习算法,非常适合非专家在大数据集上的应用。它的主要优点是避免了具有昂贵计算代价(而且可能难以改变)的平滑步骤,这是学习非线性状态空间模型的关键部分。

    The analysis of time series data isimportant in fields as disparate as the social sciences, biology, engineeringor econometrics. In this dissertation, we present a number of algorithmsdesigned to learn Bayesian nonparametric models of time series. The goal ofthese kinds of models is twofold. First, they aim at making predictions whichquantify the uncertainty due to limitations in the quantity and the quality ofthe data. Second, they are flexible enough to model highly complex data whilstpreventing overfitting when the data does not warrant complex models. We beginwith a unifying literature review on time series models based on Gaussianprocesses. Then, we centre our attention on the Gaussian Process State-SpaceModel (GP-SSM): a Bayesian nonparametric generalisation of discrete-timenonlinear state-space models. We present a novel formulation of the GP-SSM thatoffers new insights into its properties. We then proceed to exploit thoseinsights by developing new learning algorithms for the GP-SSM based on particleMarkov chain Monte Carloand variational inference. Finally, we present a filtered nonlinearauto-regressive model with a simple, robust and fast learning algorithm thatmakes it well suited to its application by non-experts on large datasets. Itsmain advantage is that it avoids the computationally expensive (and potentiallydifficult to tune) smoothing step that is a key part of learning nonlinearstate-space models.

    1 引言
    2 高斯过程的时间序列建模
    3 高斯过程的状态空间模型:描述
    4 高斯过程的状态空间模型:蒙特卡洛学习
    5 高斯过程的状态空间模型:变分学习
    6 过滤的自回归高斯过程模型
    7 结论
    附录A 近似贝叶斯推理

    下载英文原文地址:

    http://page2.dfpan.com/fs/elcj4221829176ff502/

    更多精彩文章请关注微信号:在这里插入图片描述

    展开全文
  • 状态空间模型是概率图生成模型,它假设序列观察数据背后由隐状态支撑,或者说隐状态生成了观察。隐状态符合一阶马尔科夫链假设,也就是说,除了前一时刻隐状态外,当前时刻隐状态独立于过去其它所有时刻的隐状态。如...
    介绍

    状态空间模型是概率图生成模型,它假设序列观察数据背后由隐状态支撑,或者说隐状态生成了观察。隐状态符合一阶马尔科夫链假设,也就是说,除了前一时刻隐状态外,当前时刻隐状态独立于过去其它所有时刻的隐状态。如下图 x n x_n xn为观察, z n z_n zn为隐状态。
    状态空间模型

    模型

    如果 z z z是离散状态,那就是HMM模型。如果 z z z是连续状态,可以成为线性动态系统LDS。

    模型学习与推断

    HMM和LDS的参数都可以用EM算法学习其参数。本文主要描述LDS的基于贝叶斯估计的贝叶斯滤波过程,也就是推断过程。

    推断问题:已知模型参数,求 p ( z n ∣ x 1 , . . . x n ) p(z_n|x_1,...x_n) p(znx1,...xn)
    推断思路:递推过程。

    后验概率 (Posterior)
    p ( z n ∣ x 1 , . . . x n ) = p ( x n ∣ z n , x 1 , . . . , x n − 1 ) p ( z n ∣ x 1 , . . . , x n − 1 ) p ( x n ∣ x 1 , . . . , x n − 1 ) = p ( x n ∣ z n ) p ( z n ∣ x 1 , . . . , x n − 1 ) p ( x n ∣ x 1 , . . . , x n − 1 ) p(z_n|x_1,...x_n) \\=\frac{p(x_n|z_n,x_1,...,x_{n-1})p(z_n|x_1,...,x_{n-1})}{p(x_n|x_1,...,x_{n-1})} \\=\frac{p(x_n|z_n)p(z_n|x_1,...,x_{n-1})}{p(x_n|x_1,...,x_{n-1})} p(znx1,...xn)=p(xnx1,...,xn1)p(xnzn,x1,...,xn1)p(znx1,...,xn1)=p(xnx1,...,xn1)p(xnzn)p(znx1,...,xn1)
    在贝叶斯滤波中求后验分布的整个过程叫滤波。从当前时刻先验分布求当前时刻后验分布叫更新过程。

    先验概率 (Prior)
    p ( z n ∣ x 1 , . . . , x n − 1 ) = ∫ p ( z n , z n − 1 ∣ x 1 , . . . , x n − 1 ) d z n − 1 = ∫ p ( z n ∣ z n − 1 , x 1 , . . . , x n − 1 ) p ( z n − 1 ∣ x 1 , . . . , x n − 1 ) d z n − 1 = ∫ p ( z n ∣ z n − 1 ) p ( z n − 1 ∣ x 1 , . . . , x n − 1 ) d z n − 1 p(z_n|x_1,...,x_{n-1}) \\=\int p(z_n,z_{n-1}|x_1,...,x_{n-1})dz_{n-1} \\=\int p(z_n|z_{n-1},x_1,...,x_{n-1})p(z_{n-1}|x_1,...,x_{n-1})dz_{n-1} \\=\int p(z_n|z_{n-1})p(z_{n-1}|x_1,...,x_{n-1})dz_{n-1} p(znx1,...,xn1)=p(zn,zn1x1,...,xn1)dzn1=p(znzn1,x1,...,xn1)p(zn1x1,...,xn1)dzn1=p(znzn1)p(zn1x1,...,xn1)dzn1
    其中: p ( z n ∣ z n − 1 ) p(z_n|z_{n-1}) p(znzn1)是转换分布已知; p ( z n − 1 ∣ x 1 , . . . , x n − 1 ) p(z_{n-1}|x_1,...,x_{n-1}) p(zn1x1,...,xn1)是上一时刻后验概率,也是已知分布。在贝叶斯滤波中,从上一时刻后验分布求当前时刻先验分布叫预测过程。

    似然概率 (Likelihood) p ( x n ∣ z n ) p(x_n|z_n) p(xnzn)是观测分布,已知。

    归一化因子 (Evidence)
    p ( x n ∣ x 1 , . . . , x n − 1 ) = ∫ p ( z n , x n ∣ x 1 , . . . , x n − 1 ) d z n = ∫ p ( x n ∣ z n ) p ( z n ∣ x 1 , . . . , x n − 1 ) d z n p(x_n|x_1,...,x_{n-1}) \\=\int p(z_n,x_n|x_1,...,x_{n-1})dz_n \\=\int p(x_n|z_n)p(z_n|x_1,...,x_{n-1})dz_n p(xnx1,...,xn1)=p(zn,xnx1,...,xn1)dzn=p(xnzn)p(znx1,...,xn1)dzn

    通过积分运算,即可求得递推过程,因为本文仅描述思路,所以不再展开其它推导过程。

    展开全文
  • 在我们的论文中,我们展示了概率时频模型(例如概率相位声码器)和频谱混合高斯过程之间的等价性。 因此,此代码具有3个新颖的目的: 通过交换不同的内核函数,提供了一种构建更复杂的概率时频模型的简便方法。 将...
  • 在介绍了高斯和非高斯状态空间模型的基本理论后,提供了一个泊松时间序列预测的说明性例子。最后,介绍了与拟合非高斯时间序列建模的其他方法的比较。 绪论 状态空间模型为几种类型的时间序列和其他数据的建模提供...

    原文链接:http://tecdat.cn/?p=22665 

    原文出处:拓端数据部落公众号

    摘要

    状态空间建模是一种高效、灵活的方法,用于对大量的时间序列和其他数据进行统计推断。本文介绍了状态空间建模,其观测值来自指数族,即高斯、泊松、二项、负二项和伽马分布。在介绍了高斯和非高斯状态空间模型的基本理论后,提供了一个泊松时间序列预测的说明性例子。最后,介绍了与拟合非高斯时间序列建模的其他方法的比较。

    绪论

    状态空间模型为几种类型的时间序列和其他数据的建模提供了一个统一的框架。结构性时间序列、自回归综合移动平均模型(ARIMA)、简单回归、广义线性混合模型和三次样条平滑模型只是一些可以表示为状态空间模型的统计模型的例子。最简单的一类状态空间模型是线性高斯状态空间模型(也被称为动态线性模型),经常被用于许多科学领域。

    高斯状态空间模型

    本节将介绍有关高斯状态空间模型理论的关键概念。由于卡尔曼滤波(Kalman filtering)背后的算法主要是基于Durbin和Koopman(2012)以及同一作者的相关文章。对于具有连续状态和离散时间间隔的线性高斯状态空间模型t=1, . . . ,n,我们有

    其中t∼N(0,Ht),ηt∼N(0,Qt)和α1∼N(a1,P1)相互独立。我们假设yt是一个p×1,αt+1是一个m×1,ηt是一个k×1的向量。α = (α > 1 , . . . , α> n ) >,同样y = (y > 1 , . . , y> n ) >。
     

    状态空间建模的主要目标是在给定观测值y的情况下获得潜状态α的知识。这可以通过两个递归算法实现,即卡尔曼滤波和平滑算法。从卡尔曼滤波算法中,我们可以得到先行一步的预测结果和预测误差

    和相关的协方差矩阵

    利用卡尔曼滤波的结果,我们建立了状态平滑方程,在时间上向后运行,产生了

    对于干扰项t和ηt,对于信号θt = Ztαt,也可以计算类似的平滑估计。

    高斯状态空间模型的例子

    现在通过例子来说明。我们的时间序列包括1969-2007年40-49岁年龄组每年每10万人中酒精相关的死亡人数(图1)。数据取自统计局。对于观测值 y1, ... . , yn,我们假设在所有t = 1, . . . , n,其中μt是一个随机游走的漂移过程

    ηt∼N(0, σ2 η)。假设我们没有关于初始状态μ1或斜率ν的先验信息。这个模型可以用状态空间的形式来写,定义为

    在KFAS中,这个模型可以用以下代码来写。为了说明问题,我们手动定义所有的系统矩阵,而不采用默认值。

    
    R> Zt <- matrix(c(1, 0), 1, 2)
    
    R> model_gaussian <-Model(deaths / population ~ -1 +custom(Z = Zt)

    第一个参数是定义观测值的公式(左侧~)和状态方程的结构(右侧)。这里死亡人数/人口是一个单变量时间序列,状态方程是用矩阵来定义的,为了保持模型的可识别性,截距项用-1省略。观测水平方差通过参数H定义,NA值代表未知方差参数σ 2和σ 2 η。估计之后,进行过滤和平滑递归。

    
    KF(fit_gaussian)

    在这种情况下,最大似然估计值对于σ 2是9.5,对于σ 2 η是4.3。从卡尔曼滤波算法中,我们得到了对状态的一步超前预测,at = (µt , νt) 。请注意,即使斜率项ν在我们的模型中被定义为时间不变量(νt = ν),它也是由卡尔曼滤波算法递归估计的。因此,在每个时间点t,当新的观测值yt可用时,ν的估计值被更新,以考虑到yt所提供的新信息。在卡尔曼滤波结束时,an+1给出了我们对所有数据下恒定斜率项的最终估计。这里斜率项被估计为0.84,标准误差为0.34。对于µt,卡尔曼滤波给出了一步的预测,但是由于状态是时变的,如果我们对t=1, ..., n的µt估计值感兴趣,我们还需要运行平滑算法。n的估计值。

    图1显示了带有一步预测(红色)和平滑化(蓝色)的随机行走过程µt的估计值的观察结果。请注意典型的模型;在时间t,卡尔曼滤波器计算一步向前预测误差vt = yt - µt,并使用它和先前的预测来修正下一个时间点的预测。在这里,这在系列的开始阶段最容易看到,我们的预测似乎落后于观测值一个时间步长。另一方面,平滑算法同时考虑了每个时间点的过去和未来的数值,从而产生了更平滑的潜过程的估计。

    非高斯状态空间模型的例子

    与酒精有关的死亡也可以自然地被建模为泊松过程。现在我们的观测值yt是第t年与酒精有关的死亡的实际计数,而变化的人口规模则由暴露项ut来考虑。状态方程保持不变,但观察方程现在的形式是p(yt |µt) = Poisson(ute µt)。

    R> Model(deaths ~ -1 +
    + distribution = "poisson")
    

    与之前的高斯模型相比,我们现在需要用参数distribution(默认为 "高斯")来定义观测数据的分布。我们还通过参数u来定义暴露项,并使用a1和P1的默认值。在这个模型中,只有一个未知参数,即σ 2 η。这个参数被估计为0.0053,但是高斯模型和泊松模型之间σ 2 η的实际值不能直接比较,因为不同模型对µt的解释不同。泊松模型的斜率项估计为0.022,标准误差为1.4×10-4,对应于死亡人数每年增加2.3%。

    图2显示了以高斯过程(蓝色)和泊松过程(红色)为模型(每10万人的死亡人数)的平滑估计。

    任意的状态空间模型

    通过结合前面的方法,可以相对容易地构建大量的模型。对于这样做还不够的情况,可以通过直接定义系统矩阵来构建任意状态空间模型。作为一个例子,我们修改了之前的泊松模型,增加了一个额外的白噪声项,试图捕捉数据的可能的过度离散。现在我们的泊松强度模型是ut exp(µt + t),即

    其中ηt∼N(0, σ2 η)如前,t∼N(0, σ2)。这个模型可以用状态空间的形式来写,定义为

     Model(deaths ~ trend(2, Q = list(NA, 0)) +
    distribution = "poisson")

    由于模型包含P1中的未知参数,我们需要提供一个特定的模型更新函数。

    R> update <- function(pars, model) {
    + model[ "custom"] <- exp(pars)
    + }
     fit(model_poisson,method = "BFGS")
    

    从图3中我们看到,高斯结构时间序列模型和带有额外白噪声的泊松结构时间序列模型对平滑趋势µt的估计几乎没有区别。这是由于泊松过程的强度相对较高。

    例子

    我现在用一个比前面的例子更完整的例子来说明KFAS的使用。数据还是由酒精有关的死亡组成,但现在有四个年龄组,即30-39岁、40-49岁、50-59岁和60-69岁,被一起作为一个多变量泊松模型来建模。

    1969-2012年的死亡人数和相应年龄组的年人口规模都有,但作为说明,我们只使用2007年之前的数据,并对2008-2013年进行预测。图4显示了所有年龄组的每10万人的死亡人数。

    
    ts.plot(window(data[, 1:4] / data[, 5:8], end = 2007)
    

    这里我选择了之前使用的泊松模型的一个多变量扩展。

    这里μt是带有漂移成分的随机游走,νt是一个恒定的斜率,t是一个额外的白噪声成分,用于捕捉序列的额外变化。我对水平和噪声成分的协方差结构不做限制。模型(4)可以用KFAS构建如下。

    R> Model(Pred[, 1:4] ~
    + trend(2, Q = list(matrix(NA, 4, 4))
     distribution = "poisson"
    

    更新函数为

    R> updatefn <- function(pars, model, ...){
    + model[ etas ] <- crossprod(Q)
    + crossprod(Q)
    + model
    + }
    

    我们可以先不通过模拟来估计模型参数,然后用这些估计值作为初始值再次运行重要性抽样的估计程序。在这种情况下,从重要性抽样步骤得到的结果实际上与从初始步骤得到的结果相同。

    fit(model, update,
    + method = "BFGS")
    
    R> fit <- fit(model, updatefn = updatefn, inits =optimpar)
    
    

    使用拟合模型的提取方法,我们可以检查估计的协方差和相关矩阵。

    R> varcordel["Q",   "level"]
    
    R> varcordel["Q",  "custom"]
    

    状态空间模型的参数估计通常工作量很大,因为似然面包含多个最大值,从而使优化问题高度依赖于初始值。通常情况下,未知参数与未观察到的潜在状态有关,如本例中的协方差矩阵,几乎没有先验知识。

    因此,要猜出好的初始值是很有挑战性的,特别是在更复杂的环境中。因此,在可以合理地确定找到适当的最优值之前,建议使用多种初始值配置,可能有几种不同类型的优化方法。这里我们使用观察到的系列的协方差矩阵作为协方差结构的初始值。在非高斯模型的情况下,另一个问题是,似然计算是基于迭代程序的,该程序使用一些终止条件(如对数似然的相对变化)停止,因此对数似然函数实际上包含一些噪声。这反过来又会影响BFGS等方法的梯度计算,在理论上可以得到不可靠的结果。因此,有时建议使用无导数的方法,如Nelder-Mead。另一方面,BFGS通常比Nelder-Mead快得多,因此我更愿意先尝试BFGS,至少在初步分析中。我们可以计算出状态的平滑估计。

    R> out <- KF(model,)
    

    我们看到残差之间偶尔有滞后的交叉相关,但总体上我们可以对我们的模型相对满意。现在我们可以用我们估计的模型预测2008-2013年每个年龄组与酒精有关的死亡强度e θt。由于我们的模型是时间变化的(u变化),我们需要通过newdata参数为未来的观察样本提供模型。
     

    predict(model,
    + newdata +
    + interval = "confidence",)

    for (i in 1:4) ts.plot(data[, i]/data[, 4 + i], trend[, i], pred[[i]]
    
    

    图7显示了观察到的死亡人数,1969-2007年的平滑趋势,以及2008-2013年的预测,还有95%的预测区间。当我们将我们的预测与真实的观察结果进行比较时,我们看到在现实中,最年长的年龄组(60-69岁)的死亡人数略有增加,而在预测期间,另一个年龄组的死亡人数大幅下降。部分原因是在此期间酒精消费总量几乎单调下降,而这又可能是由于2008年、2009年和2012年酒精税的增加造成的。

    讨论

    状态空间模型提供了解决一大类统计问题的工具。在这里,我介绍了一个用于线性状态空间建模的方法。


    最受欢迎的见解

    1.在python中使用lstm和pytorch进行时间序列预测

    2.python中利用长短期记忆模型lstm进行时间序列预测分析

    3.使用r语言进行时间序列(arima,指数平滑)分析

    4.r语言多元copula-garch-模型时间序列预测

    5.r语言copulas和金融时间序列案例

    6.使用r语言随机波动模型sv处理时间序列中的随机波动

    7.r语言时间序列tar阈值自回归模型

    8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

    9.python3用arima模型进行时间序列预测

    展开全文
  • 状态空间模型中实际参数估计

    千次阅读 2020-05-27 19:23:05
    状态空间模型中实际参数估计状态扩增法线性状态空间模型的参数估计利用高斯滤波与平滑的参数估计(非线性模型)基于粒子滤波与平滑的参数估计参数的 Rao-Blackwell 化 (参数估计所有内容) 状态扩增法 线性状态空间...
  • 贝叶斯优化与高斯过程

    千次阅读 2019-10-23 17:06:40
    概述贝叶斯优化框架,高斯过程
  • 针对高斯预估模型存在的缺点,引入了动态变化的泄漏强度,并通过夹角系数的方式将风速和放射性气体自身的扩散速度合成,得到对气体扩散起到关键作用的合成扩散速度,进而更好地模拟了放射性气体扩散过程中在不同时段...
  • 注意:kalman-jax现在已过时。 现在可以在获得此代码的显着改进版本。 卡尔曼·贾克斯 使用迭代卡尔曼滤波和平滑的马尔可夫(即时间)高斯... 状态空间高斯过程模型中的快速变分学习。 2020年信号处理机器学习国际研
  • 结构时间序列模型是(单变量)时间序列的(线性高斯状态空间模型。在考虑状态空间架构时,通常我们感兴趣的有三个主要方面: 预测,预测状态的后续值 滤波,根据过去和现在的观测值来估计状态的当前值 平滑,根据...
  • 空间高斯混合模型-SGMM

    千次阅读 2017-04-01 18:36:23
    空间高斯混合模型-SGMM
  • 提出了一种使用状态空间模型(SSM)的新颖语音转换(VC)方法。 SVC从未在VC中显示过,它具有显式建模频谱参数轨迹的优势。 因此,它将优于传统的基于高斯混合模型(GMM)的方法,在该方法中,在逐帧过程中执行转换...
  • 状态空间建模(卡尔曼滤波)通过将数据点数量的复杂度降低为线性,使这些非参数模型可以部署在较长的数据集上。 状态维度m的复杂度仍然是立方的,这阻碍了实际应用。 在某些特殊情况下(高斯似然,规则间距),当...
  • 文章目录高斯过程回归多任务高斯过程...高斯过程以概率分布来表示函数输出的先验知识,并在泛函空间建立模型,基于数据间的相关性,构造协方差函数,通过Bayesian推理进行计算,与点秀的神经网络、支持向量机相比,高斯
  • GMM(高斯混合模型)的动态背景分割

    千次阅读 热门讨论 2019-11-13 14:19:10
    以下是GMM(高斯混合模型)的动态背景分割的实验报告以及源码,另外用到了形态学操作与多通道的处理,提升了实验结果的性能。 一.实验名称 基于混合高斯模型的动态背景分割 二.实验目的 探索如何对...
  • 一、引言 本文以rssi(接收信号强度)滤波为背景...2、模型的系统方程和状态方程 3、卡尔曼滤波过程及五个基本公式 4、公式中每个参数详细注释 5、结合rssi滤波实例设计滤波器 6、MATLAB实现滤波器 二、模型的...
  • 图像分割综述

    万次阅读 多人点赞 2019-07-09 22:03:48
    所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的说就是在一副图像中,把目标...
  • 卡尔曼滤波

    千次阅读 2018-12-15 14:59:50
    文章目录卡尔曼滤波卡尔曼滤波简介Dynamic model(实时系统)目标跟踪分析卡尔曼滤波五大更新方程时间更新状态更新代码实现——小球跟踪参考资料: 卡尔曼滤波简介 卡尔曼滤波是一种高效率的递归滤波器(自回归...
  • OPENCV混合高斯模型原理

    千次阅读 2014-07-28 17:23:55
     混合高斯模型高斯变量之和看起来有一点像, 注意不要把它们弄混淆了. 混合高斯模型给出的概率密度函数实际上是几个高斯概率密度函数的加权和: 其中 . 定义事件 , 则 . 据此可以产生服从上述...
  • 卡尔曼滤波学习心得

    千次阅读 2019-10-05 12:02:39
    卡尔曼滤波学习心得卡尔曼...​ 卡尔曼滤波法是一种时域方法,对于具有高斯分布的噪声的线性系统,应用该方法可以得到系统状态的递推最小均方差估计,该方法用状态方程(表示一个状态的转化)描述动力学系统的动态模...
  • 状态空间

    千次阅读 2015-05-25 15:27:52
    1. 定义 状态变量(state variables)是指在系统中所含变量个数最少的变量,也就是决定系统状态的最小数目的变量的有序集合,有时也称为状态向量(state vector),例如表示天体运动...状态空间(State Space)是系
  • opencv高斯混合模型

    千次阅读 2013-09-17 20:45:51
    对图像背景建立高斯模型的原理及过程:图像灰度直方图反映的是图像中某个灰度值出现的频次,也可以认为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大,且背景区域和目标区域在灰度上有...
  • 状态空间模型是动态统计模型的一种非常通用的类型,已用于估计从生物种群到阿波罗11号的位置到本周末天气的所有信息。 简而言之,当我们想知道某个进程的状态但不能直接观察它的状态时,它们很有用。 他们有两个...
  • 混合高斯模型(matlab)

    万次阅读 2014-09-22 19:50:15
    背景模型有很多种,其中很多方法对光照的的突变和其它因素的适应能力不够,而高斯混合模型是最为成功的一种背景建模方法。
  • 高斯混合模型(GMM)指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况。 灵魂的拷问:为什么GMM可以拟合出任意类型的分布? AI大...
  • 用于分类的机器学习算法可以分为两种:判别模型(Discriminative learning algorithms)和生成模型(Generative Learning algorithms)。判别模型试图直接求出p(y|X),如logistic regression,或者直接将样
  • 然后,通过统计学习获得各典型工况状态下的泡沫图像边缘响应统计分布的混合高斯(MoG)模型;最后,通过简单的贝叶斯推理推断出测试泡沫图像对应的工况状态。结果表明:所提出的方法因有效获取了与浮选生产性能直接相关的...
  • (1)如下图,当协方差矩阵的对角线元素相等时,三维空间中的模型曲面在两个维度上展开范围也是相等的   (2)如下图,当对角线元素不等时,曲面在两个维度上的展开范围大小有了区分。如右一的图,概率值...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,465
精华内容 4,986
关键字:

高斯过程状态空间模型