Suche senden
Hochladen
Gunosy2015 07-07
•
6 gefällt mir
•
2,257 views
Yuta Kashino
Folgen
a
Weniger lesen
Mehr lesen
Technologie
Melden
Teilen
Melden
Teilen
1 von 18
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
Koichiro Gibo
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習
Katsuya Ito
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
トピックモデルでテキストをクラスタリングしてみた
トピックモデルでテキストをクラスタリングしてみた
Hirofumi Tsuruta
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
リアルタイムPoint cloudデータのビジュアライゼーションについて
リアルタイムPoint cloudデータのビジュアライゼーションについて
Ryousuke Wayama
Empfohlen
分割時系列解析(ITS)の入門
分割時系列解析(ITS)の入門
Koichiro Gibo
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習
Katsuya Ito
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
トピックモデルでテキストをクラスタリングしてみた
トピックモデルでテキストをクラスタリングしてみた
Hirofumi Tsuruta
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
リアルタイムPoint cloudデータのビジュアライゼーションについて
リアルタイムPoint cloudデータのビジュアライゼーションについて
Ryousuke Wayama
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
相互相関関数の最大化と時間差推定
相互相関関数の最大化と時間差推定
KoueiYamaoka
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
Yuichi Goto
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
機械学習 入門
機械学習 入門
Hayato Maki
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
落合流先生流の論文要旨フォーマット
落合流先生流の論文要旨フォーマット
森 哲也
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
確率的自己位置推定
確率的自己位置推定
Horiguchi Shuhei
非劣性試験の入門
非劣性試験の入門
Yasuyuki Okumura
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
Yoichi Ochiai
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
深層学習ライブラリのプログラミングモデル
深層学習ライブラリのプログラミングモデル
Yuta Kashino
Gunosy2015-06-03
Gunosy2015-06-03
Yuta Kashino
Weitere ähnliche Inhalte
Was ist angesagt?
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
Takahiro Kubo
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
相互相関関数の最大化と時間差推定
相互相関関数の最大化と時間差推定
KoueiYamaoka
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
Yusuke Uchida
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
Yuichi Goto
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
機械学習 入門
機械学習 入門
Hayato Maki
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
落合流先生流の論文要旨フォーマット
落合流先生流の論文要旨フォーマット
森 哲也
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
確率的自己位置推定
確率的自己位置推定
Horiguchi Shuhei
非劣性試験の入門
非劣性試験の入門
Yasuyuki Okumura
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
Yoichi Ochiai
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Was ist angesagt?
(20)
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
相互相関関数の最大化と時間差推定
相互相関関数の最大化と時間差推定
生存時間分析数理の基礎
生存時間分析数理の基礎
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
文献調査をどのように行うべきか?
文献調査をどのように行うべきか?
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
coordinate descent 法について
coordinate descent 法について
機械学習 入門
機械学習 入門
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
時系列分析による異常検知入門
時系列分析による異常検知入門
落合流先生流の論文要旨フォーマット
落合流先生流の論文要旨フォーマット
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
確率的自己位置推定
確率的自己位置推定
非劣性試験の入門
非劣性試験の入門
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
Andere mochten auch
深層学習ライブラリのプログラミングモデル
深層学習ライブラリのプログラミングモデル
Yuta Kashino
Gunosy2015-06-03
Gunosy2015-06-03
Yuta Kashino
FLAME: Probabilistic Model Combining Aspect Based Opinion Mining and Collabor...
FLAME: Probabilistic Model Combining Aspect Based Opinion Mining and Collabor...
Yuta Kashino
Gunosy2015-08-05
Gunosy2015-08-05
Yuta Kashino
Gunosy2015 09-16ts
Gunosy2015 09-16ts
Yuta Kashino
Opendata@tokyowebmining
Opendata@tokyowebmining
Yuta Kashino
PyDataTokyo201-05-22
PyDataTokyo201-05-22
Yuta Kashino
"Automatic Variational Inference in Stan" NIPS2015_yomi2016-01-20
"Automatic Variational Inference in Stan" NIPS2015_yomi2016-01-20
Yuta Kashino
Chainer meetup2016 03-19pub
Chainer meetup2016 03-19pub
Yuta Kashino
Deep learning Libs @twm
Deep learning Libs @twm
Yuta Kashino
機械学習ビジネス研究会 第01回
機械学習ビジネス研究会 第01回
Yuta Kashino
日本のオープンデータプラットフォームをPythonでつくる
日本のオープンデータプラットフォームをPythonでつくる
Yuta Kashino
Gunosy go2015 06-02
Gunosy go2015 06-02
Yuta Kashino
TensorFlow White Paperを読む
TensorFlow White Paperを読む
Yuta Kashino
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
Yuta Kashino
PyConJP2016: 週末サイエンティストのススメ
PyConJP2016: 週末サイエンティストのススメ
Yuta Kashino
線形カルマンフィルタの導出
線形カルマンフィルタの導出
Fumiya Watanabe
お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!
Nagi Teramo
R勉強会@東京 - Tokyo.Rの紹介
R勉強会@東京 - Tokyo.Rの紹介
Yohei Sato
Tokyor10 opening
Tokyor10 opening
Yohei Sato
Andere mochten auch
(20)
深層学習ライブラリのプログラミングモデル
深層学習ライブラリのプログラミングモデル
Gunosy2015-06-03
Gunosy2015-06-03
FLAME: Probabilistic Model Combining Aspect Based Opinion Mining and Collabor...
FLAME: Probabilistic Model Combining Aspect Based Opinion Mining and Collabor...
Gunosy2015-08-05
Gunosy2015-08-05
Gunosy2015 09-16ts
Gunosy2015 09-16ts
Opendata@tokyowebmining
Opendata@tokyowebmining
PyDataTokyo201-05-22
PyDataTokyo201-05-22
"Automatic Variational Inference in Stan" NIPS2015_yomi2016-01-20
"Automatic Variational Inference in Stan" NIPS2015_yomi2016-01-20
Chainer meetup2016 03-19pub
Chainer meetup2016 03-19pub
Deep learning Libs @twm
Deep learning Libs @twm
機械学習ビジネス研究会 第01回
機械学習ビジネス研究会 第01回
日本のオープンデータプラットフォームをPythonでつくる
日本のオープンデータプラットフォームをPythonでつくる
Gunosy go2015 06-02
Gunosy go2015 06-02
TensorFlow White Paperを読む
TensorFlow White Paperを読む
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
PyConJP2016: 週末サイエンティストのススメ
PyConJP2016: 週末サイエンティストのススメ
線形カルマンフィルタの導出
線形カルマンフィルタの導出
お前の逐モン、GETだぜ!
お前の逐モン、GETだぜ!
R勉強会@東京 - Tokyo.Rの紹介
R勉強会@東京 - Tokyo.Rの紹介
Tokyor10 opening
Tokyor10 opening
Mehr von Yuta Kashino
時系列データと確率的プログラミング tfp.sts
時系列データと確率的プログラミング tfp.sts
Yuta Kashino
Python kansai2019
Python kansai2019
Yuta Kashino
Mlse20190208
Mlse20190208
Yuta Kashino
Ml15m2018 10-27
Ml15m2018 10-27
Yuta Kashino
Pydata2017 11-29
Pydata2017 11-29
Yuta Kashino
私は如何にして心配するのを止めてPyTorchを愛するようになったか
私は如何にして心配するのを止めてPyTorchを愛するようになったか
Yuta Kashino
Pycon2017
Pycon2017
Yuta Kashino
ベイジアンディープニューラルネット
ベイジアンディープニューラルネット
Yuta Kashino
深層学習とベイズ統計
深層学習とベイズ統計
Yuta Kashino
Wasserstein GAN Tfug2017 07-12
Wasserstein GAN Tfug2017 07-12
Yuta Kashino
確率的プログラミングライブラリEdward
確率的プログラミングライブラリEdward
Yuta Kashino
Mehr von Yuta Kashino
(11)
時系列データと確率的プログラミング tfp.sts
時系列データと確率的プログラミング tfp.sts
Python kansai2019
Python kansai2019
Mlse20190208
Mlse20190208
Ml15m2018 10-27
Ml15m2018 10-27
Pydata2017 11-29
Pydata2017 11-29
私は如何にして心配するのを止めてPyTorchを愛するようになったか
私は如何にして心配するのを止めてPyTorchを愛するようになったか
Pycon2017
Pycon2017
ベイジアンディープニューラルネット
ベイジアンディープニューラルネット
深層学習とベイズ統計
深層学習とベイズ統計
Wasserstein GAN Tfug2017 07-12
Wasserstein GAN Tfug2017 07-12
確率的プログラミングライブラリEdward
確率的プログラミングライブラリEdward
Kürzlich hochgeladen
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
Kürzlich hochgeladen
(9)
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
Gunosy2015 07-07
1.
北川源四郎「時系列解析入門」 第 9
章 柏野 雄太 バクフー株式会社 July 8, 2015
2.
注意 この本は名著ではありますが,役割的に「時系列解析のチートシート」 的な存在で,全体的に記述があっさりしすぎています. 特に 9 章,10
章の状態空間モデルの部分は記述が少なすぎますので, 以下の書籍等で足りない部分を補う必要があります. カルマンフィルタは通常工学部の大学 4 年生から修士 1 年のときに, 半期の講義+演習でガッツリやるようなレベルです. 状態空間モデル: 樋口知之「予測にいかす統計モデリングの基礎」 樋口知之+「データ同化入門」 カルマンフィルタ: 足立修一・丸田一郎「カルマンフィルタの基礎」 R のパッケージ dlm: Petris+「R によるベイジアン動的線型モデル」 状態空間モデルの古典的入門書: コマンダー&クープマン「状態空間時系列分析入門」 2 / 1
3.
状態空間モデル 状態空間モデル xn = Fnxn−1
+ Gnvn (9.1) yn = Hnxn + wn (9.2) yn: 観測される時系列 次元 l xn: 状態 (state) 次元 k vn: システムノイズ(状態ノイズ) 平均ベクトル 0, 分散共分散行列 Qn に従う m 次元の正規白色ノイズ wn: 観測ノイズ 平均ベクトル 0, 分散共分散行列 Rn に従う l 次元の正 規白色ノイズ Fn: k × k 次元 Gn: k × m 次元 Hn: l × k 次元 3 / 1
4.
状態空間モデルの解釈 状態空間モデル xn = Fnxn−1
+ Gnvn (9.1) yn = Hnxn + wn (9.2) 回帰モデルとしての解釈: 観測モデルは観測 yn を表現する回帰モデルで,xn が回帰係数,シス テムモデルはその時間発展 信号理論としての解釈: システムモデルは信号発生メカニズム,観測モデルはノイズが付加さ れる様子を記述. 4 / 1
5.
状態空間モデルの例: AR モデル AR
モデル yn = m∑ i=1 aiyn−i + vn (9.3) xn = Fxn−1 + Gvn (9.4) xn = (yn, yn−1, . . . , yn−m+1)T F = a1 a2 · · · am 1 ... 1 0 , G = 1 0 ... 0 (9.5) H = ( 1 0 · · · 0 ) 5 / 1
6.
カルマンフィルタによる状態の推定 観測値 Yj =⇒
xn の推定 Yj が与えられたときの xn の条件付き分布 p(xn|Yj) を求める問題 j < n: 予測 (prediction) j = n: フィルタ (filtering) j > n: 平滑 (smooting) 6 / 1
7.
カルマンフィルタ Kalman filter [条件付き平均と共分散] xn|j
≡ E(xn|Yj) Vn|j ≡ E ( (xn − xn|j)(xn − xn|j)T ) (9.11) [一期先予測] xn|n−1 = Fnxn−1|n−1 Vn|n−1 = FnVn−1|n−1FT n + GnQnGT n (9.12) [フィルタ] Kn = Vn|n−1HT n (HnVn|n−1HT n + Rn)−1 xn|n = xn|n−1 + Kn(yn − Hnxn|n−1) Vn|n = (I − KnHn)Vn|n−1 (9.13) 7 / 1
8.
カルマンフィルタの逐次計算 x1|0 −→ x2|0
−→ x3|0 −→ x4|0 −→ x5|0 −→ ⇓ x1|1 =⇒ x2|1 −→ x3|1 −→ x4|1 −→ x5|1 −→ ⇓ x1|2 ←− x2|2 =⇒ x3|2 −→ x4|2 −→ x5|2 −→ ⇓ x1|3 ←− x2|3 ←− x3|3 =⇒ x4|3 −→ x5|3 −→ ⇓ x1|4 ←− x2|4 ←− x3|4 ←− x4|4 =⇒ x5|4 −→ ⇓ [ノーテーション] ⇓: フィルタ, =⇒: 予測, ←−: 平滑化, −→: 長期予測 8 / 1
9.
9.3 平滑化のアルゴリズム YN =
y1, · · · , yN が与えられたとき,途中状態の xn を推定する. [固定区間平滑化] An = Vn|nFT n+1V −1 n+1|n xn|N = xn|n + An(xn+1|N − xn+1|n) Vn|N = Vn|n + An(Vn+1|N − Vn+1|n)AT n (9.14) 9 / 1
10.
9.4 状態の長期予測 Yn =
{y1, · · · , yn} に基づいて,1 期先予想をクリア消し,j 期先の状 態 xn+j(j > 1) を推定する. カルマンフィルタにより一期先の xn+1|n と xn+1|n を求める. yn+1 は得られないが,Yn+1 = Yn と仮定する =⇒ xn+1|n+1 = xn+1|n, Vn+1|n+1 = Vn+1|n カルマンフィルタの n + 1 期に対する 1 期先アルゴリズムから 2 期先 予測が得られる. xn+2|n = Fn+2xn+1|n Vn2|n = Fn+2Vn+1|nFT n+2 + Gn+2Qn+2GT n+2 (9.15) [長期予測] xn+i|n = Fn+ixn+i−1|n Vni|n = Fn+iVn+i−1|nFT n+i + Gn+iQn+iGT n+i (9.16) 10 / 1
11.
9.5 時系列の予測 Yn が与えられたときの
yn+j の平均,分散共分散行列を yn+j ≡ E(yn+j|Yn), dn+j|n ≡ Cov(yn+j|Yn) とすると, yn+j|n = E(Hn+jxn+j + wn+j|Yn) = Hn+jxn+j|n (9.17) dn+j|n = Cov(Hn+jxn+j + wn+j|Yn) = Hn+jCov(xn+j|Yn)HT n+j + Hn+jCov(xn+j, wn+j|Yn) + Cov(xn+j, wn+j|Yn)HT n+j + Cov(wn+j|Yn) = Hn+jVn+j|nHT n+j + Rn+j (9.18) 注: yn|n−1, dn|n−1 はカルマンフィルタ (9.13) ですでにもとめられている 11 / 1
12.
9.5 時系列の予測 BLSALLFOOD
の例 Figure: AR モデルの長期予測分布 12 / 1
13.
9.6 時系列モデルの尤度計算とパラメータ推定 時系列モデルの尤度 l(θ) =
− 1 2 { lNlog2π + N∑ n=1 log|dn|n−1| + N∑ n=1 (yn − yn|n−1)T d−1 n|n−1(yn − yn|n−1) } (9.23) ただし,このままでは計算が大変. データに欠損がない AR の場合はユール・ウォーカー,最小二乗法, PARCOR 法などのほうがいい. 仕方なく (9.23) を計算する場合でも,次元圧縮を考える. 13 / 1
14.
9.6 時系列モデルの尤度計算とパラメータ推定 次元圧縮の方法: 時系列の次元が
l = 1 で wn の分散が Rn = σ2 で一定の 場合 1 R = 1 としてカルマンフィルタ (カルマンゲインを計算すると R = σ2 でも R = 1 でも同じ) 2 以下の式により ˆσ2 を求める ˆσ2 = 1 N N∑ n=1 (yn − yn|n−1)2 ˜dn|n−1 (9.28) 3 以下の式により対数尤度 l(θ∗) を求める l(θ∗ ) = − 1 2 { Nlog2πˆσ2 + N∑ n=1 log ˜dn|n−1+N } (9.29) 4 1, 2, 3 のステップを繰り返して,対数尤度 l(θ∗) を最大化して,最尤 推定値 θ∗ を求める 14 / 1
15.
9.7 欠損値の補間 時系列の状態空間モデルを用いると欠測値があっても厳密に尤度計算 ができ,パラメータの最尤推定値を求めることができる. l(θ) =
− 1 2 ∑ n∈I(N) { llog2π + log|dn|n−1+N | + (yn − yn|n−1)T d−1 n|n−1+N (yn − yn|n−1) } (9.31) パラメータが決まりモデルが与えられたら,カルマンフィルタの予測 分布 {xn|n−1, Vn|n−1},フィルタ分布 {xn|n, Vn|n} が求まり,その後で 平滑値 xn|N から欠測値 yn|N = Hnxn|n を求める. 推定誤差分散は dn|N = HnVn|N HT n + Rn 15 / 1
16.
9.7 欠損値の補間: BLSALLFOOD
の例 Figure: 欠測値の補間 16 / 1
17.
Python 版 カルマンフィルター Python
版 カルマンフィルターの更新式 from␣numpy␣import␣dot x␣=␣dot(F,␣x)␣+␣dot(B,␣u) P␣=␣dot(F,␣P).dot(F.T)␣+␣Q y␣=␣z␣-␣dot(H,␣x) S␣=␣dot(H,␣P).dot(H.T)␣+␣R K␣=␣dot(P,␣H.T).dot(np.linalg.inv(S)) x␣=␣x␣+␣dot(K,y) P␣=␣(I␣-␣dot(K,␣H)).dot(P) 17 / 1
18.
MATLAB 版 カルマンフィルター MATLAB
版 カルマンフィルターの更新関数 function␣[xhat_new,P_new,␣G]␣=␣kf(A,␣B,␣Bu,␣C,␣Q,␣R,␣u,␣y,␣xhat,␣P) ␣␣xhat␣=␣xhat(:); ␣␣u␣=␣u(:); ␣␣y␣=␣y(:); ␣␣xhatm␣=␣A*xhat␣+␣Bu*u; ␣␣Pm␣=␣A*P*A’␣+␣B*Q*B’; ␣␣G␣=␣Pm*C/(C’*Pm*C␣+␣R); ␣␣xhat_new␣=␣xhatm␣+␣G*(y␣-␣C’*xhatm); ␣␣P_new␣=␣(eye(size(A))␣-␣G*C’)*Pm; end 18 / 1
Jetzt herunterladen