2022-08-05

WARNING: This article may be obsolete
This post was published in 2022-08-05. Obviously, expired content is less useful to users if it has already pasted its expiration date.
This article is categorized as "Garbage" . It should NEVER be appeared in your search engine's results.


今日总结

对本笔记的总结:

本篇笔记主要跟随Bilibili: 徐亦达机器学习 学习了Kalman Filter的入门知识,但并没有把6P视频完全看完看懂,因为涉及到了不会推导的矩阵运算内容。

在笔记的最后部分试图总结Bayesian Filtering与Kalman Filter的不同。

设置expose_php=ON会影响FastCGI的缓存文件大小

新发现:

如果php.ini设置了expose_php=ON,那么fastcgi缓存文件夹的体积会明显大一圈。这是因为开启expose_php时,每一个fastcgi缓存文件都会带上类似X-Powered-By: PHP/8.0.22 这样的标识头,而关闭expose_php就不会有这样的字段。

今日学习资料

最主要的资料:🔗 [徐亦达机器学习:Kalman Filter 卡尔曼滤波【2015年版-全集】_哔哩哔哩_bilibili] https://www.bilibili.com/video/BV1TW411N7Hg

所有接触过的资料:

🔗 [2022-08-02 - Truxton's blog] https://truxton2blog.com/2022-08-02/

🔗 [徐亦达机器学习:Kalman Filter 卡尔曼滤波【2015年版-全集】_哔哩哔哩_bilibili] https://www.bilibili.com/video/BV1TW411N7Hg

🔗 [2_28_2018.pdf] https://www.colorado.edu/amath/sites/default/files/attached-files/2_28_2018.pdf

🔗 [MI37slides-Kalman.pdf] http://www.sci.utah.edu/~gerig/CS6320-S2013/Materials/MI37slides-Kalman.pdf

有关Covariance:🔗 [2021-09-21 - Truxton's blog] https://truxton2blog.com/2021-09-21/ , 🔗 [2021-11-18 - Truxton's blog] https://truxton2blog.com/2021-11-18/#协方差_协方差矩阵

Stochastic differential equation—SDE

🔗 [Stochastic differential equation - Wikipedia] https://en.wikipedia.org/wiki/Stochastic_differential_equation

目前只需要记住它的简称为 SDE 即可。

Kalman Filter—B站徐亦达机器学习

今天从哪里开始?当然是kalman filter!这是上一篇笔记(2022-08-02)没有搞完的内容。


学习:

🔗 [徐亦达机器学习:Kalman Filter 卡尔曼滤波【2015年版-全集】_哔哩哔哩_bilibili] https://www.bilibili.com/video/BV1TW411N7Hg

入门部分

注意到p1 6:00左右提到了HMM观测值之间没有关联:

这部分内容可以回顾https://truxton2blog.com/wp-content/uploads/2022/08/20220804_164856_U0tDK.png:

https://truxton2blog.com/2022-08-02/#Bayesian_filtering%E7%9A%84prior%E5%92%8Cposterior

p2 11:15左右

看到这里就找到了bayesian filtering到kalman filter的一个重要区别:

目前学过的HMM模型,状态都是离散值,所以转移概率是从「一步Markov转移矩阵」里面查表得到的。

如果状态是连续的怎么办?所以这就是kalman filter里面的内容了!

一个比较难以理解的内容

理解这部分内容花了比较长的时间:

主要原因是没有正确理解这部分内容的符号[mathjax]\mathcal{N}[/mathjax]是怎么去掉的:


想了很久,大概是明白了,纯粹就是Probability Density Function相关的内容忘记了,记忆不够生动,导致很多东西想象不出来。

不同PDF阅读器的显示效果不同,如果渲染PDF出现偏差,请尝试其他PDF阅读器

矩阵A到底是什么?

[mathjax-d]X_t=AX_{t-1}+B+\omega[/mathjax-d]

这里的[mathjax]A[/mathjax]到底是什么?是一个常数,还是...?大多数教材都会称它为 state transition matrix ,那是不是和HMM的...状态转移矩阵...差不多?

当然不是一个东西!这里如果写成:[mathjax]X_t=f(X_{t-1})+B+\omega[/mathjax]就会更容易理解了。

在后续笔记中也有提到:🔗 [2022-08-10 - Truxton's blog] https://truxton2blog.com/2022-08-10/#(几乎没有学进去)继续在kalmanfilternet上面学习kalman_filter

用通俗的语言描述Kalman Filter的状态转移流程

现在继续看视频:

Part3 末尾

目前学习的「kalman状态转移」大概就是:

在一个markov chain上,状态是连续的;

从时间t-1的状态转移到时间t时,首先会指定一个“无偏转移”(自创用语,表示Ax+B),然后状态会在“无偏转移”的基础上发生一定的偏差(偏差遵循高斯分布);

状态确定好以后,使用类似的规律(产生观测值,但有高斯噪声偏移)产生观测结果;

然后继续下一个状态。从什么地方继续?从时间t的状态继续(上面那张图右下角的黑点),而不是从时间t的观测继续。

最后:类似[mathjax]\mathcal{N}(Ax+B, Q)[/mathjax]这样的计算方式,在视频里称为“线性高斯”。

例题:小车匀加速

物理:复习速度和加速度(最简单的线性加速)


接下来开始推导视频part 4(https://www.bilibili.com/video/BV1TW411N7Hg?p=4)

推导这个,一个小车做加速的例题,题目的具体内容写在下面的笔记里

要点1:虽然加速度服从正态分布,但在单位时间delta t之内它是一个常数,是保持不变的!所以我们可以用简单的物理知识(均匀加速运动)来表示一些公式。


前面的笔记都能推导,但最后一步得出结论(P3 11:25左右)的时候遇到了一些理解问题:

(左下角E[a^2]=v^2)这个结论是怎么直接得到的???

原来我需要补习这个:🔗 [statistics - What is the expectation of $ X^2$ where $ X$ is distributed normally? - Mathematics Stack Exchange] https://math.stackexchange.com/questions/99025/what-is-the-expectation-of-x2-where-x-is-distributed-normally

[mathjax-d]E\left(X^{2}\right)=\operatorname{Var}(X)+[E(X)]^{2}[/mathjax-d]

在P6 2:00左右补充了一个东西很有用(红色方框所示的内容):

* 下面这张图省略了[mathjax]B[/mathjax],因为[mathjax]B[/mathjax]对结论没有什么影响(原视频里有解释)


推导笔记:

不同PDF阅读器的显示效果不同,如果渲染PDF出现偏差,请尝试其他PDF阅读器

遗留的未解决问题(这个例题最后得出了什么有用的结论?)

现在已经把视频里的所有推导都复现了一遍,唯一的问题在于:视频里似乎没有做出所谓的「最终结论」,我现在知道A和B如何表达,但不知道噪声如何表达,以及协方差矩阵的最终作用到底是什么。

打算继续看视频,听懂了再返回来把笔记整理一遍。

继续学习了一点点内容

补充知识:

p6 16:17左右

如果[mathjax]X[/mathjax]的 均值/期望 为0,那么[mathjax]\mathcal{cov}(X)=\mathop{\mathbb{E}}(XX^T)[/mathjax] .

深夜回顾:Kalman Filter和Bayesian Filtering到底有什么区别?

2022-08-06:

停!看来kalman filter今天是没法100%搞明白了。决定先把「小车加速」的例题推导整理出来,然后回顾今天学习的所有内容。

回顾什么内容呢?


还是从贝叶斯滤波开始回顾:

贝叶斯滤波,状态为离散值,转移概率要查表(转移矩阵),发射概率可以是古典概型也可以是gaussian mixture model也可以是其他。

kalman filter,状态为连续值;转移到下一时刻时:先做线性变换Ax+B,然后基于Ax+B为期望值偏移一定范围(正态分布);发射概率是正态分布。总之现在一切都是正态分布:状态的概率分布,转移方法,发射概率。

预测(prior)也是正态分布,后验(posterior)也是正态分布。

https://truenobility303.github.io/Filter/

看看现有认知是否和wikipedia一致:

找出上一篇笔记:🔗 [2022-08-02 - Truxton's blog] https://truxton2blog.com/2022-08-02/#试图过渡到Kalman,但没有完成

这个没有问题!
这个仍然有问题!https://en.wikipedia.org/wiki/Kalman_filter#Relationship_to_recursive_Bayesian_estimation

今天必须搞清楚这部分内容才能结束!

当前持有的结论: (限定:discrete time)  最普通的那个kalman filter就是状态空间连续的Bayesian filtering.

The Kalman filter is then an algorithm for sequentially updating the distributions of [mathjax]\mathbb{X}_{k}[/mathjax] given observed [mathjax]\mathbb{y}_{1}, \ldots, \mathbb{y}_{k}[/mathjax] in this dynamic Bayesian network. The only probability theory required is computing conditional distributions of (finite-dimensional) multivariate Gaussian distributions.

https://stats.stackexchange.com/questions/232594/why-is-the-kalman-filter-a-specific-case-of-a-dynamic-bayesian-network

看看这个链接有没有用:

🔗 [machine learning - Difference between Hidden Markov models and Particle Filter (and Kalman Filter) - Cross Validated] https://stats.stackexchange.com/questions/183118/difference-between-hidden-markov-models-and-particle-filter-and-kalman-filter

https://stats.stackexchange.com/questions/183118/difference-between-hidden-markov-models-and-particle-filter-and-kalman-filter

再看一个:🔗 [machine learning - Why is the Kalman Filter a specific case of a (dynamic) Bayesian network? - Cross Validated] https://stats.stackexchange.com/questions/232594/why-is-the-kalman-filter-a-specific-case-of-a-dynamic-bayesian-network

所以,最后回到那个万恶的wikipedia

目前认为那个 However 所指的是「However,kalman处理的是连续状态空间」。


最后,有关kalman filter的probability graphical model

总之就是,现在学习的只是最基本的probability graphical model,放心去用那些熟悉的概率模型就可以了!

https://www.researchgate.net/figure/Kalman-Filter-Graphical-Models-a-Basic-model-xt-is-kinematics-and-yt-is-neural-output_fig2_235387142


 Last Modified in 2022-08-19 

Leave a Comment Anonymous comment is allowed / 允许匿名评论