关于时间的概率推理教学课件.ppt

* Updating Gaussian distribute * Simple 1-D example 考虑有噪声观察Zt的单一连续状态变量Xt的随机行走。比如，消费者信心指数。 转移模型 传感器模型 先验概率 * Simple 1-D example 通过单步预测和修正得到下面的结论: * General Kalman filter 预测状态 预测的观测值 预测的观测值误差 * 2-D tracking example * 2-D tracking example * Kalman滤波的适用性 Kalman滤波适用于线性Gauss系统，转移模型、传感器模型都是线性Gauss 扩展Kalman滤波解决非线性系统的建模。 其工作机理是将xt=ut的区域中的状态xt当作是局部线性的，在此基础上对系统进行建模。 适用于光滑的，表现良好的系统。 * Where it break 使用切换Kalman滤波 * 动态贝叶斯网络(DBN) 动态贝叶斯网络中的每个时间片都具有任意数量的状态变量Xt与证据变量Et. * HMM vs DBN DBN能充分利用时序概率模型中的稀疏性 * HMM vs DBN 对一般DBN转化为HMM的局限性 HMM需要更大的空间 庞大的转移矩阵使得HMM中的推理代价更高 要学习数目如此巨大的参数非常困难，HMM不适合解决大规模问题。