使用pykalman

Question

我想尝试使用pykalman对来自传感器变量的数据应用卡尔曼滤波器。现在，我对观察的数据有了疑问。在该示例中，3个观测值是在3个时刻测量的两个变量，或者是在某个时刻测量的3个变量

from pykalman import KalmanFilter
>>> import numpy as np
>>> kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
>>> measurements = np.asarray([[1,0], [0,0], [0,1]])  # 3 observations
>>> kf = kf.em(measurements, n_iter=5)
>>> (filtered_state_means, filtered_state_covariances) = kf.filter(measurements)
>>> (smoothed_state_means, smoothed_state_covariances) = kf.smooth(measurements)

Answer 1

让我们看看：

transition_matrices = [[1, 1], [0, 1]]

手段

​

​

因此，您的状态向量由2个元素组成，例如：

​

​

observation_matrices = [[0.1, 0.5], [-0.3, 0.0]]

手段

​

​

观察矩阵的维数应为[n_dim_obs, n_dim_state]。所以你的测量向量也由2个元素组成。

结论:该代码具有3 observations of two variables measured at 3 different points in time。

您可以更改给定的代码，以便它可以在一个时间步中处理每个度量。您可以对每个测量使用kf.filter_update()，而不是一次性对所有测量使用kf.filter()：

from pykalman import KalmanFilter
import numpy as np
kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
measurements = np.asarray([[1,0], [0,0], [0,1]])  # 3 observations
kf = kf.em(measurements, n_iter=5)

filtered_state_means = kf.initial_state_mean
filtered_state_covariances = kf.initial_state_covariance

for m in measurements:

    filtered_state_means, filtered_state_covariances = (
        kf.filter_update(
            filtered_state_means,
            filtered_state_covariances,
            observation = m)
        )

print(filtered_state_means);

输出：

[-1.69112511  0.30509999]

结果与使用kf.filter()时略有不同，因为此函数不会对第一次测量执行预测，但我认为它应该执行预测。