Peräkkäinen arviointi - Sequential estimation
In tilastojen , juokseva arviointi viittaa arviointi menetelmiä juokseva analyysi , jossa näytteen koko ei ole määrätty etukäteen. Sen sijaan tiedot arvioidaan sitä mukaa, kun ne kerätään, ja jatkuva näytteenotto lopetetaan ennalta määritetyn pysäytyssäännön mukaisesti heti, kun havaitaan merkittäviä tuloksia. Yleistä versiota kutsutaan optimaaliseksi Bayes -estimaattoriksi, joka on teoreettinen perusta jokaiselle peräkkäiselle estimaattorille (mutta sitä ei voida ilmaista suoraan). Se sisältää Markov -prosessin tilan leviämis- ja mittausprosessille kullekin osavaltiolle, mikä tuottaa tyypillisiä tilastollisia riippumattomuussuhteita. Markovin prosessi kuvaa todennäköisyysjakauman etenemistä erillisten aikapotentiaalien yli, ja mittaus on tieto, joka meillä on jokaisesta ajanhetkestä, mikä on yleensä vähemmän informatiivista kuin tila. Vain havaittu sekvenssi kerää yhdessä mallien kanssa kaikkien mittausten ja vastaavan Markov -prosessin tiedot parempien arvioiden saamiseksi.
Siitä voidaan johtaa Kalman -suodatin (ja sen variantit), hiukkassuodatin, histogrammisuodatin ja muut. Se riippuu malleista, mitä käyttää ja vaatii kokemusta oikean mallin valitsemiseksi. Useimmissa tapauksissa tavoitteena on arvioida tilajärjestys mittausten perusteella. Muissa tapauksissa kuvauksen avulla voidaan arvioida esimerkiksi kohinaprosessin parametrit. Voidaan myös kerätä mittaustilaan projisoitujen tilojen mallintamaton tilastollinen käyttäytyminen (nimeltään innovaatiosekvenssi, joka luonnollisesti sisältää ortogonaalisuusperiaatteen johdannaisiinsa riippumattomuussuhteen aikaansaamiseksi, ja siksi se voidaan heittää myös Hilbert -tilaesitykseen, mikä tekee asiat erittäin intuitiivinen pienemmälle yleisölle) ajan mittaan ja vertaa sitä kynnykseen, joka sitten vastaa edellä mainittua pysäytyskriteeriä. Yksi vaikeus on määrittää todennäköisyysmallien alkuehdot, mikä tehdään useimmissa tapauksissa kokemuksen, tietolomakkeiden tai tarkkojen mittausten avulla eri asetuksilla.
Heurististen/näytteenottomenetelmien (esim. Hiukkassuodatin tai histogrammisuodatin) tilastollinen käyttäytyminen riippuu monista parametreista ja toteutustiedoista, eikä sitä pidä käyttää turvallisuuden kannalta kriittisissä sovelluksissa (koska teoreettisten takuiden antaminen tai asianmukainen testaus on erittäin vaikeaa), ellei yhdellä on erittäin hyvä syy.
Jos jokainen tila on riippuvainen kokonaisuudesta (esim. Kartta tai yksinkertaisesti yleinen tilamuuttuja), käytetään tyypillisesti SLAM (samanaikainen paikallistaminen ja kartoitus) -tekniikoita, jotka sisältävät peräkkäisen estimaattorin erikoistapauksena (kun yleinen tila muuttujalla on vain yksi tila). Se arvioi tilasekvenssin ja kokonaisuuden.
On myös ei-kausaalisia muunnelmia, joissa on kaikki mittaukset samanaikaisesti, mittauserät tai jotka palauttavat tilan kehityksen taaksepäin. Nämä eivät kuitenkaan ole reaaliaikaisia (paitsi jos käytetään todella suurta puskuria, joka alentaa läpimenoa dramaattisesti) enää ja riittää vain jälkikäsittelyyn. Muut vaihtoehdot tekevät useita siirtoja saadakseen karkean arvion ensin ja sitten tarkentamaan sitä seuraavilla siirtoilla, jotka ovat videon editoinnin/transkoodauksen innoittamia. Kuvankäsittelyssä (jossa kaikki pikselit ovat käytettävissä samanaikaisesti) nämä menetelmät muuttuvat jälleen syy -seuraamuksiksi.
Peräkkäinen estimointi on monien tunnettujen sovellusten ydin, kuten Viterbi -dekooderi, konvoluutiokoodit, videon pakkaus tai kohteen seuranta. Koska tilatilaesitys on useimmissa tapauksissa fyysisten liikelakien motivoima, ohjaussovelluksiin on suora yhteys, mikä johti Kalman -suodattimen käyttöön esimerkiksi avaruussovelluksissa.
Katso myös
Viitteet
- Thomas S. Ferguson (1967) Matemaattiset tilastot: Päätöksen teoreettinen lähestymistapa. , Academic Press. ISBN 0-12-253750-5
-
Wald, Abraham (1947). Peräkkäinen analyysi . New York : John Wiley ja pojat . ISBN 0-471-91806-7.
Katso Doverin uusintapainos: ISBN 0-486-43912-7
 |
Tämä tilastoihin liittyvä artikkeli on tynkä . Voit auttaa Wikipediaa laajentamalla sitä . |
