EM-EKF参数估计算法

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了EM-EKF参数估计算法，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1126字，纯文字阅读大概需要2分钟。

内容图文

最大期望算法（Expectation-maximization algorithm，又译期望最大化算法）在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。在统计计算中，最大期望（EM）算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。最大期望算法经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。为了同时估计参数和隐藏状态，将期望最大化（EM）与扩展卡尔曼滤波和平滑结合在一起，其目的是对未知隐藏状态的不确定估计进行积分，并根据给定的观测数据优化参数的边际似然性。通过使用扩展卡尔曼滤波和平滑算法，可以实现对后验分布更精确的估计。

    假设有p x 1维不能直接观察的理想化目标向量序列，表示q x 1维观测序列，为此，我们建立随机回归模型为

参考文献：

[1] Shumway R H , Stoffer D S . An Approach to Time Series Smoothing andForecasting Using the EM Algorithm[J]. Journal of Time Series Analysis, 1982,3(4):253-264.

[2]  Dempster A P . Maximum likelihood from incomplete data via the EMalgorithm[J]. Journal of Royal Statistical Society B, 1977, 39.

[3]  Yanhui Xi, Peng H, Mo H. Parameter Estimation of RBF-AR Model Based on,the EM-EKF Algorithm[J]. Journal of Automation, 2017(43):1643.

内容总结

以上是互联网集市为您收集整理的EM-EKF参数估计算法全部内容，希望文章能够帮你解决EM-EKF参数估计算法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---