pykalman的使用

Question

我想尝试使用pykalman对来自传感器变量的数据应用kalman过滤器。现在，我对这些观察数据感到怀疑。在示例中，这3个观测值是在三个瞬间测量的两个变量，或者是在一个瞬间测量的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]]

表示

因此，您的状态向量包含2个元素，例如：

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

表示

观察矩阵的维数应为[n_dim_obs, n_dim_state]。 因此，您的测量向量还包含2个元素。

结论：代码中包含3 observations of two variables measured at 3 different points in time。

您可以更改给定的代码，以便它可以一次处理每个测量。您对每次测量都使用kf.filter_update()，而不是对所有测量都使用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()时的结果略有不同，因为此函数不会在第一次测量时执行预测，但我认为应该。