Nota: En la sección de comentarios de la pregunta, el autor de la pregunta especificó que uno de los estados solo puede ser distinto de cero y positivo, preguntando así si se puede incorporar algún tipo de enlace en el filtro que garantice esta propiedad.
La respuesta corta es no. El filtro kalman funciona bajo el supuesto de que su estado puede ser descrito por una distribución gaussiana. La función de densidad de probabilidad [matemática] f (x) [/ matemática] de una distribución gaussiana es continua y se define para todos los valores de [matemática] x [/ matemática], como condiciones imponentes como [matemática] x> 0 [/ matemática] dará como resultado una distribución no gaussiana. Puede optar por ignorar esto y simplemente redondear las estimaciones “fuera de los límites” al límite más cercano, pero dependiendo de su problema, esto podría resultar muy fácilmente en un bajo rendimiento del filtro.
Sin embargo, cambiar a un filtro de partículas podría ayudar a aliviar el problema, ya que dichos filtros no requieren / aproximan la distribución subyacente para ser gaussiana. Un buen libro de texto que describe los filtros de partículas es Bayesian Filtering and Smoothing de Simo Särkkä, y el autor lo proporciona gratuitamente en su sitio web https://users.aalto.fi/~ssarkka/…
- ¿Los programadores escriben programas en 1s y 0s?
- ¿Qué libro es bueno para los algoritmos básicos?
- Cómo escribir un algoritmo para un programa complicado que tiene muchos bucles, conmutadores y otros procesos dentro de una instrucción if-then
- ¿Cuánto estrés se le da a los algoritmos y las estructuras de datos en el curso de pregrado en CMI? ¿Se enseña programación competitiva allí?
- Según Knuth, un algoritmo puede tener cero o más entradas. ¿Alguien puede darme un ejemplo de un algoritmo sin entrada?