问题标签 [state-space]

我正在尝试使用dlmMLER 中的函数作为dlm库的一部分来估计多元状态空间模型，但不断收到以下错误。

我使用的模型规格是：

我在 R 中指定了模型，如下所示。

当我运行代码时，它会执行到dlmMLE调用函数的最后一行并返回我提到的错误。

我一直在努力解决这个问题一段时间，但似乎无法让模型工作。有人可以提供一些帮助吗？将不胜感激。

谢谢，斯特凡

现在我正在努力control.matlap.tf2ss，我想在我的状态空间中访问我的数组。

这是我的代码

结果：

如何访问数组 A、B、C、D？

我已经在论坛和网上查看了，但我仍然没有弄清楚在这种特殊情况下如何计算可达状态空间： - 假设一个 16 位数据寄存器具有 16 个触发器s_1,...,s_{16}和 16 个x_1,...,x_{16}直接连接的输入与触发器的输入。

那么假设所有触发器在初始状态下都是 0，我现在如何计算可达状态空间。我知道有最大值。2^n 个状态可用，所以当然 2^n 应该是可达的还是？

期待您的回答和澄清，非常感谢。

我目前正在研究 Simulink/Matlab 代码，这个想法是删除一些让我们的开发团队烦恼的 Simulink 模块。我们正在与状态空间模型作斗争。上述块的配置如下所示：

我们的问题是：有没有办法使用纯 Matlab 脚本函数重写它？我们尝试了一些方法idss和ss模型，但到目前为止我们失败了。我们不是 Matlab 专家。这是我们用来解决问题的伪代码，但我们不是数学专家。

ss(A, B, C, D); [y, t, x] = initial(tmp, x0);

给定 (M, F) - 对于某个过程的每一步，元组变为 (M + F, F) 或 (M, M + F)。因此，从 (1, 1) 开始，以下是可能的：

我在绘制树时遵循的算法是 -

其中 parent0 指的是父元组的第一个元素，而 parent1 指的是第二个元素。

我完全不确定在给定 M 和 F 的任何起始值的情况下，我将如何创建一棵树，该树将遵循上述算法在 n 步后创建树。

当我决定在线搜索时，我得到了一些类似的东西：

或者

我想不出一种方法来使用上面的代码来构建我想要的状态空间树。也就是说，当给定的输入是（M，F）和n是过程中的步骤数（即树中的级别数）时，我如何实现一个自动创建具有计算值的子树的树。

equationsToMatrix我正在尝试使用该函数找到倒置（一件）摆的状态空间模型。我正在使用以下代码：

MATLAB 引发以下错误：

sym.getEqnsVars使用>时出错checkVariables（第 92 行）
第二个参数必须是符号变量的向量。

错误sym.getEqnsVars（第 54 行）
checkVariables(vars);

错误sym/equationsToMatrix（第 55 行）
[eqns,vars] = sym.getEqnsVars(argv{:});

错误Linearization_Test（第 10 行）
[A,B]=equationsToMatrix([eqn2L,eqn1L],[x(t),dx(t),th(t),dth(t)])

如何解决此错误？

我想测试我已经适合一组问题数据的动态线性模型的适用性。我已经使用 R 中 dse 包中的 SS() 函数完成了这项工作。有没有任何方法可以使用可能性和信息测试来测试 R 中模型的拟合度？

出于说明目的，假设我的模型是随机游走。随机游走的理论形式为 X(t) = X(t-1) + e(t)~N(0,1) 状态演化 Y(t) = X(t) + w(t)~N (0,1)。R中的代码定义为：

假设当时的实际观察结果是：

然后假设我们拟合一个名为“test”的模型：

如何测试数据（simulate.kalman.filter）与 R 中的模型理论模型的拟合度？我正在寻找诸如可能性和贝叶斯信息准则之类的功能。

How do I call for the posterior (refined) state estimates from a Kalman Filter simulation in R using the DSE package?

I have added an example below. Assume that I have created a simple random walk state space with the error being a standard normal distribution. The model is created using the SS function, with initialised state and covariance estimates of zero. The theoretical model form is thus: X(t) = X(t-1) + e(t)~N(0,1) for state evolution Y(t) = X(t) + w(t)~N(0,1)

We now implement this in R by following the instructions on page 6 and 7 of the "Kalman Filtering in R" article in the Journal of Statistical Software. First we create the state space model using the SS() function and store it in the variable called kalman.filter:

Then we simulate a 100 observations from the model form using simulate() and put them in a variable called simulate.kalman.filter:

Then we run the kalman filter against the measurements using l() and store it under the variable called test:

From the outputs, which ones are my filtered estimates?

我在使用时遇到了一个pykalman 0.9.5问题Python 3.6.3

请参阅下面的代码，为什么结果来自kf2和kf3不同，而结果来自kf1和kf3相同？

kf2和之间过程的区别kf3在于我只是将迭代拆分为运行 2 次函数 for kf2。

感谢大家调查它。

我想用一些特定的假设来估计一个状态空间模型。我研究了如何使用“KFAS”R 包和 AR(1) 转换方程估计卡尔曼滤波器？克服这个问题Error ... : System matrices (excluding Z) contain NA or infinite values，但是我仍然无法获得预期的结果。

下面是一些例子：

现在我得到：

我希望是这样的：

具体来说，我想将建模数据修订中的模型：测量误差和“真实”值的动态应用于二维可观察向量。