filter
Класс: dssm
Передайте рекурсию рассеянных моделей в пространстве состояний
Описание
X = filter(Mdl,Y)X) путем выполнения прямой рекурсии полностью заданной рассеянной модели в пространстве состояний Mdl. Таким образом, filter применяет рассеянный Фильтр Калмана с помощью Mdl и наблюдаемые ответы Y.
X = filter(Mdl,Y,Name,Value)Name,Value парные аргументы. Например, задайте коэффициенты регрессии и данные о предикторе, чтобы выкачать наблюдения или задать, чтобы использовать одномерную обработку многомерной модели.
Если Mdl не полностью задан, затем необходимо задать неизвестные параметры как известные скаляры с помощью 'Params' Name,Value парный аргумент.
[ дополнительно возвращает значение логарифмической правдоподобности (X,logL,Output]
= filter(___)logL) и массив структуры output (Output) использование любого из входных параметров в предыдущих синтаксисах. Output содержит:
Фильтрованные и предсказанные состояния
Предполагаемые ковариационные матрицы отфильтрованных и предсказанных состояний
Значение логарифмической правдоподобности
Предсказанные наблюдения и его предполагаемая ковариационная матрица
Настроенное усиление Кальмана
Вектор, указывающий, который раньше фильтровали данные программное обеспечение
Входные параметры
Выходные аргументы
Примеры
Отфильтруйте состояния независимой от времени рассеянной модели в пространстве состояний
Предположим, что скрытый процесс является случайным обходом. Уравнение состояния
где является Гауссовым со средним значением 0 и стандартным отклонением 1.
Сгенерируйте случайную последовательность 100 наблюдений от , предположение, что ряд запускается в 1,5.
T = 100;
x0 = 1.5;
rng(1); % For reproducibility
u = randn(T,1);
x = cumsum([x0;u]);
x = x(2:end);Предположим далее, что скрытый процесс подвергается аддитивной погрешности измерения. Уравнение наблюдения
где является Гауссовым со средним значением 0 и стандартным отклонением 0.75. Вместе, скрытые уравнения процесса и наблюдения составляют модель в пространстве состояний.
Используйте случайный скрытый процесс состояния (x) и уравнение наблюдения, чтобы сгенерировать наблюдения.
y = x + 0.75*randn(T,1);
Задайте четыре содействующих матрицы.
A = 1; B = 1; C = 1; D = 0.75;
Создайте рассеянную модель в пространстве состояний с помощью содействующих матриц. Укажите, что распределение начального состояния является рассеянным.
Mdl = dssm(A,B,C,D,'StateType',2)Mdl =
State-space model type: dssm
State vector length: 1
Observation vector length: 1
State disturbance vector length: 1
Observation innovation vector length: 1
Sample size supported by model: Unlimited
State variables: x1, x2,...
State disturbances: u1, u2,...
Observation series: y1, y2,...
Observation innovations: e1, e2,...
State equation:
x1(t) = x1(t-1) + u1(t)
Observation equation:
y1(t) = x1(t) + (0.75)e1(t)
Initial state distribution:
Initial state means
x1
0
Initial state covariance matrix
x1
x1 Inf
State types
x1
Diffuse
Mdl dssm модель. Проверьте, что модель правильно задана с помощью отображения в Командном окне.
Отфильтруйте состояния в течение периодов 1 - 100. Постройте истинные значения состояния и отфильтрованные оценки состояния.
filteredX = filter(Mdl,y); figure plot(1:T,x,'-k',1:T,filteredX,':r','LineWidth',2) title({'State Values'}) xlabel('Period') ylabel('State') legend({'True state values','Filtered state values'})
Истинные значения и оценки фильтра являются приблизительно тем же самым, за исключением первого отфильтрованного состояния, которое является нулем.
Отфильтруйте состояния рассеянной модели в пространстве состояний, содержащей компонент регрессии
Предположим, что линейное соотношение между уровнем безработицы и номинальным валовым национальным продуктом (nGNP) представляет интерес. Предположим далее, что уровень безработицы является серией AR (1). Символически, и в форме пространства состояний, модель
где:
уровень безработицы во время t.
наблюдаемое изменение в уровне безработицы, выкачиваемом возвратом nGNP ().
серия Gaussian воздействий состояния, имеющих среднее значение 0 и неизвестное стандартное отклонение .
Загрузите набор данных Нельсона-Плоссера, который содержит уровень безработицы и nGNP ряд, среди прочего.
load Data_NelsonPlosserПредварительно обработайте данные путем взятия натурального логарифма nGNP ряда и удаления стартового NaN значения от каждого ряда.
isNaN = any(ismissing(DataTable),2); % Flag periods containing NaNs gnpn = DataTable.GNPN(~isNaN); y = diff(DataTable.UR(~isNaN)); T = size(gnpn,1); % The sample size Z = price2ret(gnpn);
Этот пример продолжает использовать ряд без NaN значения. Однако с помощью среды Фильтра Калмана, программное обеспечение может вместить ряд, содержащий отсутствующие значения.
Задайте содействующие матрицы.
A = NaN; B = NaN; C = 1;
Создайте модель в пространстве состояний с помощью dssm путем предоставления содействующих матриц и указывания, что значения состояния прибывают из рассеянного распределения. Рассеянная спецификация указывает на полное незнание о моментах начального распределения.
StateType = 2;
Mdl = dssm(A,B,C,'StateType',StateType);Оцените параметры. Задайте компонент регрессии и его начальное значение для оптимизации с помощью 'Predictors' и 'Beta0' аргументы пары "имя-значение", соответственно. Отобразите оценки и всю информацию о диагностике оптимизации. Ограничьте оценку ко всем положительным, вещественным числам.
params0 = [0.3 0.2]; % Initial values chosen arbitrarily Beta0 = 0.1; [EstMdl,estParams] = estimate(Mdl,y,params0,'Predictors',Z,'Beta0',Beta0,... 'lb',[-Inf 0 -Inf]);
Method: Maximum likelihood (fmincon)
Effective Sample size: 60
Logarithmic likelihood: -110.477
Akaike info criterion: 226.954
Bayesian info criterion: 233.287
| Coeff Std Err t Stat Prob
--------------------------------------------------------
c(1) | 0.59436 0.09408 6.31738 0
c(2) | 1.52554 0.10758 14.17991 0
y <- z(1) | -24.26161 1.55730 -15.57930 0
|
| Final State Std Dev t Stat Prob
x(1) | 2.54764 0 Inf 0
EstMdl ssm модель, и можно получить доступ к ее свойствам с помощью записи через точку.
Отфильтруйте предполагаемую рассеянную модель в пространстве состояний. EstMdl не хранит данные или коэффициенты регрессии, таким образом, необходимо передать в них в использовании аргументов пары "имя-значение" 'Predictors' и 'Beta', соответственно. Постройте предполагаемые, отфильтрованные состояния.
filteredX = filter(EstMdl,y,'Predictors',Z,'Beta',estParams(end)); figure plot(dates(end-(T-1)+1:end),filteredX); xlabel('Period') ylabel('Change in the unemployment rate') title('Filtered Change in the Unemployment Rate') axis tight
Извлеките другие оценки из Output
Оцените рассеянную модель в пространстве состояний, отфильтруйте состояния, и затем извлеките другие оценки из Output выходной аргумент.
Рассмотрите рассеянную модель в пространстве состояний
Переменная состояния модель AR (1) с авторегрессивным коэффициентом . случайный обход. Воздействия и независимые Гауссовы случайные переменные со средним значением 0 и стандартными отклонениями и , соответственно. Наблюдение безошибочная сумма и .
Сгенерируйте данные из модели в пространстве состояний. Чтобы симулировать данные, предположите что объем выборки , , , , и .
rng(1); % For reproducibility T = 100; ARMdl = arima('AR',0.6,'Constant',0,'Variance',0.2^2); x1 = simulate(ARMdl,T,'Y0',2); u3 = 0.1*randn(T,1); x3 = cumsum([2;u3]); x3 = x3(2:end); y = x1 + x3;
Задайте содействующие матрицы модели в пространстве состояний. Чтобы указать на неизвестные параметры, используйте NaN значения.
A = [NaN 0; 0 1]; B = [NaN 0; 0 NaN]; C = [1 1];
Создайте рассеянную модель в пространстве состояний, которая описывает модель выше. Задайте это и имейте рассеянные распределения начального состояния.
StateType = [2 2];
Mdl = dssm(A,B,C,'StateType',StateType);Оцените неизвестные параметры Mdl. Выберите начальные значения параметров для оптимизации. Укажите, что стандартные отклонения ограничиваются быть положительными, но все другие параметры являются неограниченным использованием 'lb' аргумент пары "имя-значение".
params0 = [0.01 0.1 0.01]; % Initial values chosen arbitrarily EstMdl = estimate(Mdl,y,params0,'lb',[-Inf 0 0]);
Method: Maximum likelihood (fmincon)
Effective Sample size: 98
Logarithmic likelihood: 3.44283
Akaike info criterion: -0.885655
Bayesian info criterion: 6.92986
| Coeff Std Err t Stat Prob
--------------------------------------------------
c(1) | 0.54134 0.20494 2.64145 0.00826
c(2) | 0.18439 0.03305 5.57897 0
c(3) | 0.11783 0.04347 2.71039 0.00672
|
| Final State Std Dev t Stat Prob
x(1) | 0.24884 0.17168 1.44943 0.14722
x(2) | 1.73762 0.17168 10.12121 0
Параметры близко к их истинным значениям.
Отфильтруйте состояния EstMdl, и запросите весь другой доступный выход.
[X,logL,Output] = filter(EstMdl,y);
X T- 2 матрицы отфильтрованных состояний, logL оптимизированное значение логарифмической правдоподобности финала и Output массив структур, содержащий различные оценки, что Фильтр Калмана требует. Перечислите поля output использование fields.
fields(Output)
ans = 9x1 cell
{'LogLikelihood' }
{'FilteredStates' }
{'FilteredStatesCov' }
{'ForecastedStates' }
{'ForecastedStatesCov'}
{'ForecastedObs' }
{'ForecastedObsCov' }
{'KalmanGain' }
{'DataUsed' }
Преобразуйте Output к таблице.
OutputTbl = struct2table(Output);
OutputTbl(1:10,1:5) % Display first ten rows of first five variablesans=10×5 table
LogLikelihood FilteredStates FilteredStatesCov ForecastedStates ForecastedStatesCov
_____________ ______________ _________________ ________________ ___________________
{0x0 double} {0x0 double} {0x0 double} {0x0 double} {0x0 double}
{0x0 double} {0x0 double} {0x0 double} {0x0 double} {0x0 double}
{[ 0.1827]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ 0.0972]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ 0.4472]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ 0.2073]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ 0.5167]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ 0.2389]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ 0.5064]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
{[ -0.0105]} {2x1 double} {2x2 double} {2x1 double} {2x2 double}
Первые две строки таблицы содержат пустые ячейки или нули. Они соответствуют наблюдениям, требуемым инициализировать рассеянный Фильтр Калмана. Таким образом, SwitchTime 2.
SwitchTime = 2;
Постройте отфильтрованные и предсказанные состояния.
ForeX = cell2mat(OutputTbl.ForecastedStates')'; % Orient forecasted states ForeX = [zeros(SwitchTime,2);ForeX]; % Include zeros for initialization figure; plot(1:T,X(:,1),'r',1:T,ForeX(:,1),'b'); xlabel('Period'); ylabel('State estimate'); title('State 1 Estimates') legend('Filtered','Forecasted'); grid on;
figure; plot(1:T,X(:,2),'r',1:T,ForeX(:,2),'b'); xlabel('Period'); ylabel('State estimate'); title('State 2 Estimates') legend('Filtered','Forecasted'); grid on;
Советы
Mdlне хранит данные об ответе, данные о предикторе и коэффициенты регрессии. Снабдите данными везде, где необходимое использование соответствующего входа или аргументов пары "имя-значение".Это - лучшая практика позволить
filterопределить значениеSwitchTime. Однако в редких случаях, вы можете испытать числовые проблемы во время оценки, фильтрации или сглаживания рассеянных моделей в пространстве состояний. Для таких случаев попытайтесь экспериментировать с различнымSwitchTimeтехнические требования, или рассматривают различную структуру модели (например, упростите или повторно проверьте модель). Например, преобразуйте рассеянную модель в пространстве состояний в стандартную модель в пространстве состояний с помощьюssm.Чтобы ускорить оценку для низко-размерных, независимых от времени моделей, установите
'Univariate',true. Используя эту спецификацию, программное обеспечение последовательно обновляет скорее затем обновление целиком во время процесса фильтрации.
Алгоритмы
Фильтр Калмана хранит недостающие данные, не обновляя отфильтрованное оценочное соответствие состояния недостающим наблюдениям. Другими словами, предположите, что существует недостающее наблюдение в период t. Затем прогноз состояния для периода t на основе предыдущего t – 1 наблюдение и отфильтрованное состояние в течение периода t эквивалентен.
Для явным образом заданных моделей в пространстве состояний,
filterприменяет все предикторы к каждому ряду ответа. Однако каждый ряд ответа имеет свой собственный набор коэффициентов регрессии.Рассеянный Фильтр Калмана требует преддемонстрационных данных. Если недостающие наблюдения начинают временные ряды, то рассеянный Фильтр Калмана должен собрать достаточно ненедостающих наблюдений, чтобы инициализировать рассеянные состояния.
Для рассеянных моделей в пространстве состояний,
filterобычно переключатели от рассеянного Фильтра Калмана до стандартного Фильтра Калмана, когда количество совокупных наблюдений и количество рассеянных состояний равны. Однако, если рассеянная модель в пространстве состояний имеет проблемы идентифицируемости (e.g., модель является слишком комплексной, чтобы соответствовать к данным), затемfilterможет потребовать, чтобы больше наблюдений инициализировало рассеянные состояния. В крайних случаях,filterтребует целой выборки.
Ссылки
[1] Дербин Дж. и С. Дж. Купмен. Анализ Временных рядов Методами Пространства состояний. 2-й редактор Оксфорд: Издательство Оксфордского университета, 2012.