PRMLのカルマンフィルターの変換行列の学習を理解する
ランニングできず 英語できず
(1) PRMLのカルマンフィルターの変換行列の学習を理解する
「PRML 13§ 13.3.2 Learing in LDS」
カルマンフィルターの状態方程式はシステムモデルと観測モデルに分離して表現されます。
システム・モデル
但し
観測モデル
先日記述した様にカルマン・ゲインを用いて解くと
観測データから観測前のデータを得ることができます。
次式がこの結論でした。
但しカルマン・ゲインは
しかし解法式を見るとが所与として必要です。
下図は上式でを適当に設定しカルマン・フィルターで予測した時系列です。
推定された観測前のデータで観測データの予測をしているので予測精度が高いことが分ります。
この場合、対象時系列は1回前のトレンドを持つと考え、
ARモデルでを計測し下式の様に変換行列を設定しています。
ノイズ項であるとは適当に設定しました。
この様な変換行列をデータから推定できれば大変助かります。
PRMLのカルマン・フィルターの学習ではこれら未決定項をデータから推定しています。
(1.1) 手法
PRMLではEMモデルでこの未決定項を推定しています。
系列データの確率は次式で与えられます。
この対数を取ると
①の式
1) Eステップでは
②の式
2)Mステップでは
をとして微分して最大化を行います。
ここでは最も重要な変換行列を算出してみます。
についての微分なので①の式でと以外は定数となるので
期待値は
③の式
これを微分して方程式を解くと
も同様に微分して算出できます。
この結果をEステップにいれてとが収束するまで繰返します。