Usted debe aprender acerca de los más fáciles de código de estado modelos de espacio y de forma cerrada, el filtrado de la primera (es decir, filtros kalman, modelos ocultos de markov). Mateo Gunn es correcto que usted puede conseguir sorprendentemente mucho con conceptos simples, pero en mi humilde opinión, usted debe hacer esto un objetivo intermedio porque:
1.) Relativamente hablando, hay más piezas en movimiento en el espacio de estado de los modelos. Cuando usted aprende SSMs o modelos ocultos de markov, hay un montón de notación. Esto significa que hay más cosas a tener en su memoria de trabajo, mientras que usted juega alrededor de la verificación de las cosas. Personalmente, cuando yo estaba aprendiendo acerca de los filtros de Kalman y lineal-Gaussiano SSMs en primer lugar, yo era básicamente pensando "eh, esto es sólo propiedades multivariante de vectores normales...sólo tengo que seguir la pista de que la matriz es que." También, si usted está cambiando entre los libros, a menudo el cambio de notación.
Después pensé en ello como "eh, esto es sólo la regla de Bayes en cada momento." Una vez que usted piensa de esta manera se entiende por qué conjugar las familias son buenas, como en el caso del filtro de Kalman. Cuando el código de un modelo oculto de markov, con su discreto espacio de estado, por qué usted no tendrá que calcular cualquier probabilidad, y de filtrado y suavizado es fácil. (Creo que me estoy desviando de los convencionales hmm jerga aquí.)
2.) El corte de los dientes en la codificación de un montón de estos le harán darse cuenta de cómo en general la definición de un modelo de espacio de estado. Pronto vas a estar escribiendo los modelos que desea utilizar, y al mismo tiempo a ver por qué no se puede. Primero que finalmente te vas a ver que simplemente no puedes escribirlo en una de estas dos formas de que usted está acostumbrado. Cuando se piensa en ello un poco más, puede escribir la regla de Bayes, y ver el problema es su incapacidad para calcular algún tipo de probabilidad para los datos.
Así que con el tiempo dejan de ser capaz de calcular estas las distribuciones posteriores (suavizado o filtrado de las distribuciones de los estados). A tener cuidado con esto, hay un montón de aproximado de filtrado de cosas allí. Las partículas de filtrado es sólo uno de ellos. La principal conclusión de la partícula de filtrado: simular a partir de estas distribuciones, porque no se puede calcular.
¿Cómo se puede simular? La mayoría de los algoritmos son sólo algunos variante de la importancia de muestreo. Pero se vuelve más complicado aquí. Recomiendo el tutorial de papel por Doucet y Johansen (http://www.cs.ubc.ca/~arnaud/doucet_johansen_tutorialPF.pdf). Si usted consigue lo cerrado de forma filtrado de obras, se presenta a la idea general de la importancia de muestreo, entonces la idea general del método de monte carlo, y luego mostrar cómo el uso de estas dos cosas para empezar con un buen financieros de la serie de tiempo ejemplo. En mi humilde opinión, este es el mejor tutorial sobre la partícula de filtrado que me he topado.
Además de la adición de dos nuevas ideas para la mezcla (importancia de muestreo y el método de monte carlo), hay más de notación ahora. Algunas densidades estás de muestreo a partir de ahora; algunos de los que estamos evaluando, y cuando de la evaluación, que está evaluando en las muestras. El resultado, después de que el código de todos, se ponderan las muestras, considerados como partículas. Cambian después de cada nueva observación. Sería muy difícil elegir todo esto de una vez. Creo que es un proceso.
Me disculpo si estoy venir a través como críptico, o handwavy. Pero, para mí, personalmente, esto básicamente cómo escogí estas cosas.
