Como esto fue etiquetado bajo Finanzas en lugar de Matemáticas, daré una descripción conceptual / de muy alto nivel.
Un filtro de Kalman es una técnica para combinar (1) un modelo genérico de un sistema y (2) puntos de datos de una instancia específica de ese sistema para (3) estimar el estado interno de ese sistema en particular. Por ejemplo, suponga que básicamente sabía cómo la gravedad actuaba en las pelotas de béisbol en general, y tenía algunas instantáneas borrosas de una pelota bateada en vuelo (de un solo golpe); el filtro de Kalman podría usarse para decirle a dónde iba realmente la pelota de béisbol: mejor que extrapolar cualquier instantánea borrosa sola (y “mejor” que cualquier otro algoritmo en los mismos datos completos en un sentido específico; los filtros de Kalman minimizan el error de estimación cuadrático medio por diseño).
No es nada mágico: puede encontrar una descripción en la mayoría de las estadísticas y en cualquier libro de procesamiento de señales, y hay varias bibliotecas de código abierto. Son interesantes porque son bastante fáciles de implementar y porque son una forma de estimación recursiva . En realidad, no es necesario almacenar cada instantánea borrosa del béisbol en la memoria y luego actuar en consecuencia; simplemente puede mantener un “estado de ejecución” en la memoria y luego integrar cada nueva instantánea en el estado recientemente actualizado, de modo que admita operaciones en tiempo real / en curso (en lugar de solo lotes) .
- ¿Es una buena idea modelar otras estructuras de datos después de STD :: Vector?
- ¿Cómo se soluciona el problema de Little Red-Cap (TAP2013C) en SPOJ?
- Cómo entender algoritmos complejos de aprendizaje automático
- ¿Cómo mantiene Google en secreto su algoritmo de sus empleados cuando son sus empleados quienes lo prueban?
- Cómo aprender estructuras de datos y algoritmos para empezar
Para cada nuevo punto de datos, hay dos pasos; Kalman Filter predecirá el estado del sistema hasta ahora, y luego tomará la siguiente muestra de datos reales (difusa / ruidosa) y la usará para actualizar el estado en sí mismo para una mejor estimación. El filtro Kalman de vainilla supone que el sistema tiene una dinámica lineal, pero hay extensiones que relajan esa suposición.
Hay un breve tratamiento en Nature of Mathematical Modeling de Gershenfeld, y la página de Wikipedia también es bastante buena (http://en.wikipedia.org/wiki/Kal…).