Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "smoothers" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Wyznaczanie trajektorii ruchu przy pomocy kubicznego filtru Kalmana
    Trajectory determination based on Cubature Kalman Filter
    Autorzy:
    Malinowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/316447.pdf
    Data publikacji:
    2017
    Wydawca:
    Instytut Naukowo-Wydawniczy "SPATIUM"
    Tematy:
    algorytmy wygładzające
    filtr Kalmana
    CKF
    EFK
    UFK
    trajektoria ruchu
    smoothers algorithm
    Kalman Filter
    Opis:
    Wyznaczanie trajektorii ruchu to główne zadanie różnych systemów nawigacyjnych, gdzie do przetwarzania sygnałów najczęściej wykorzystuje się filtr Kalmana. Na dobór algorytmu filtracji Kalmana wpływa oczekiwana dokładność oraz strategia realizacji pomiarów przez systemy nawigacyjne. W oparciu o dwa eksperymenty symulacyjne wykonano analizę metod filtracji Kalmana oraz powiązanych z nimi algorytmów wygładzających stosowanych w systemach nawigacyjnych. W badaniach zastosowano filtr EKF (Extended Kalman Filter) wymagający aproksymacji przy użyciu pochodnych cząstkowych pierwszego i drugiego rzędu oraz filtr CKF (Cubature Kalman Filter) i filtr UKF (Unscented Kalman Filter), które pozbawione są tego wymogu. Dla każdej metody filtracji zastosowano odpowiednio algorytmy wygładzające EKS (Extended Kalman Smoother), CKF (Cubature Kalman Smoother) i UKS (Unscented Kalman Smoother).
    Trajectory determination is the main task of various navigation systems where the Kalman filter is often applied as a signal processing tool. The expected accuracy and measuring strategy of navigation systems has impact on the choice of the Kalman filtering algorithm. The paper presents the analysis of Kalman filtration methods and associated smoothers based on two simulations. EKF (Extended Kalman Filter) filter based on approximation with (jacobians) first and (hessians) second order partial derivations and derivative-free filters such as CKF (Cubature Kalman Filter) and UKF (Unscented Kalman Filter) were implemented for comparison. Each method of filtration is paired with appropriate EKS (Extended Kalman Smoother), CKS (Cubature Kalman Smoother) or UKS (Unscented Kalman Smoother).
    Źródło:
    Autobusy : technika, eksploatacja, systemy transportowe; 2017, 18, 12; 1114-1121, CD
    1509-5878
    2450-7725
    Pojawia się w:
    Autobusy : technika, eksploatacja, systemy transportowe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wybrane aspekty nieparametrycznego prognozowania nieliniowych szeregów czasowych
    Several Aspects of Nonparametric Prediction of Nonlinear Time Series
    Autorzy:
    Orzeszko, Witold
    Powiązania:
    https://bibliotekanauki.pl/articles/964958.pdf
    Data publikacji:
    2018
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    regresja nieparametryczna
    nieparametryczne prognozowanie
    metody jądrowe
    nieliniowe szeregi czasowe
    analiza Monte Carlo
    nonparametric regression
    nonparametric forecasting
    kernel
    smoothers
    nonlinear time series
    monte carlo study
    Opis:
    Regresja nieparametryczna stanowi obiecujące, lecz jednocześnie wciąż niedoceniane podejście do modelowania finansowych i ekonomicznych szeregów czasowych. Polega ona na konstrukcji modeli nieparametrycznych, w których zależność pomiędzy zmiennymi nie jest wyrażona w postaci funkcji o określonej postaci analitycznej lub parametry charakteryzujące tę zależność należą do przestrzeni nieskończenie wymiarowej. W przeciwieństwie do modeli parametrycznych, modele nieparametryczne nie są ograniczone do określonej z góry postaci, lecz pozwalają „mówić danym samym za siebie”. Z tego względu wydają się interesującym narzędziem prognozowania zwłaszcza w przypadku nieliniowych szeregów czasowych. W zakresie nieparametrycznych metod regresji na szczególną uwagę zasługują estymatory, które w swojej konstrukcji wykorzystują funkcje jądrowe. Spośród nich najczęściej stosowanym jest estymator Nadarai-Watsona, choć obecnie znane są pewne rozwinięcia tego podejścia. Jednym z nich jest Lokalna Jądrowa Regresja Liniowa, będąca połączeniem estymacji jądrowej i lokalnej aproksymacji liniowej. W pracy przeprowadzono symulacje Monte Carlo, mające na celu ocenę przydatności metod regresji jądrowej do prognozowania nieliniowych szeregów czasowych i porównanie ich z innymi metodami prognozowania.
    Nonparametric regression is an alternative to the parametric approach, which consists of applying parametric models, i.e. models of the certain functional form with a fixed number of parameters. As opposed to the parametric approach, nonparametric models have a general form, which can be approximated increasingly precisely when the sample size grows. Hereby they do not impose such restricted assumptions about the form of the modelling dependencies and in consequence, they are more flexible and let the data speak for themselves. That is why they are a promising tool for forecasting, especially in case of nonlinear time series. One of the most popular nonparametric regression method is the NadarayaWatson kernel smoothing. Nowadays, there are a number of variations of this method, like the local-linear kernel estimator, which combines the local linear approximation and the kernel estimator. In the paper a Monte Carlo study is conducted in order to assess the usefulness of the kernel smoothers to nonlinear time series forecasting and to compare them with the other techniques of forecasting.
    Źródło:
    Przegląd Statystyczny; 2018, 65, 1; 7-24
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies