फ़िल्टरिंग समस्या (स्टोकेस्टिक प्रक्रियाएं): Difference between revisions

From Vigyanwiki
(Created page with "{{Short description|Mathematical model for state estimation}} स्टोकेस्टिक प्रक्रियाओं के सिद्धांत में,...")
 
No edit summary
 
(9 intermediate revisions by 3 users not shown)
Line 1: Line 1:
{{Short description|Mathematical model for state estimation}}
{{Short description|Mathematical model for state estimation}}
स्टोकेस्टिक प्रक्रियाओं के सिद्धांत में, फ़िल्टरिंग एक अपूर्ण और संभावित [[शोर (सिग्नल प्रोसेसिंग)]] अवलोकनों के सेट से एक सिस्टम की स्थिति (नियंत्रण) निर्धारित करने की समस्या का वर्णन करता है। जबकि मूल रूप से इंजीनियरिंग की समस्याओं से प्रेरित होकर, फ़िल्टरिंग को सिग्नल प्रोसेसिंग से लेकर वित्त तक कई क्षेत्रों में अनुप्रयोग मिला।
'''स्टोकेस्टिक प्रक्रियाओं''' के सिद्धांत में, फ़िल्टरिंग अपूर्ण और संभावित [[शोर (सिग्नल प्रोसेसिंग)|ध्वनि (सिग्नल प्रोसेसिंग)]] अवलोकनों के समुच्चय से प्रणाली को वंहा इस प्रकार दर्शाया गया है जहाँ उसकी स्थिति (नियंत्रण) निर्धारित करने की स्थिति का वर्णन किया जाता है। जबकि मूल रूप से इंजीनियरिंग की स्तिथियों से प्रेरित होकर, फ़िल्टरिंग को सिग्नल प्रोसेसिंग से लेकर वित्त तक अनेक क्षेत्रों में अनुप्रयोग मिला था।


इष्टतम गैर-रैखिक फ़िल्टरिंग की समस्या (यहां तक ​​कि गैर-स्थिर मामले के लिए भी) रुस्लान एल. स्ट्रैटोनोविच (1959) द्वारा हल की गई थी।<ref>[[Ruslan_Stratonovich|Stratonovich, R. L.]] (1959). ''Optimum nonlinear systems which bring about a separation of a signal with constant parameters from noise''. Radiofizika, 2:6, pp. 892-901.</ref> 1960<ref>Stratonovich, R.L. (1960). ''Application of the Markov processes theory to optimal filtering''. Radio Engineering and Electronic Physics, 5:11, pp.1-19.</ref>), हेरोल्ड जे. कुशनर का काम भी देखें <ref>[[Harold_J._Kushner|Kushner, Harold]]. (1967). Nonlinear filtering: The exact dynamical equations satisfied by the conditional mode. Automatic Control, IEEE Transactions on Volume 12, Issue 3, Jun 1967 Page(s): 262 - 267</ref> और [[मोशे ज़काई]], जिन्होंने फ़िल्टर के असामान्य सशर्त कानून के लिए एक सरलीकृत गतिशीलता पेश की<ref>[[Moshe_Zakai|Zakai, Moshe]] (1969), On the optimal filtering of diffusion processes. Zeit. Wahrsch. 11  230–243. {{MR|242552}}, {{Zbl|0164.19201}}, {{doi|10.1007/BF00536382}}</ref> ज़काई समीकरण के नाम से जाना जाता है। हालाँकि, सामान्य मामले में समाधान अनंत-आयामी है।<ref name=Michel>Mireille Chaleyat-Maurel and Dominique Michel. Des resultats de non existence de filtre de dimension finie. Stochastics, 13(1+2):83-102, 1984.</ref> कुछ सन्निकटन और विशेष मामले अच्छी तरह से समझे जाते हैं: उदाहरण के लिए, रैखिक फ़िल्टर गॉसियन यादृच्छिक चर के लिए इष्टतम हैं, और इन्हें [[विनीज़ फ़िल्टर]] और [[कलमन-बुसी फ़िल्टर]] के रूप में जाना जाता है। अधिक सामान्यतः, चूंकि समाधान अनंत आयामी है, इसलिए इसे सीमित मेमोरी वाले कंप्यूटर में लागू करने के लिए सीमित आयामी सन्निकटन की आवश्यकता होती है। एक परिमित आयामी अनुमानित [[अरेखीय फ़िल्टर]] अनुमानों पर आधारित हो सकता है, जैसे कि [[विस्तारित कलमैन फ़िल्टर]] या अनुमानित घनत्व फ़िल्टर,<ref>Maybeck, Peter S., Stochastic models, estimation, and control, Volume 141, Series Mathematics in Science and Engineering, 1979, Academic Press</ref> या अधिक पद्धतिगत रूप से उन्मुख जैसे उदाहरण के लिए [[प्रोजेक्शन फ़िल्टर]],<ref>[[Damiano Brigo]], Bernard Hanzon and François LeGland, A Differential Geometric approach to nonlinear filtering: the Projection Filter, I.E.E.E. Transactions on Automatic Control Vol. 43, 2 (1998), pp 247--252.</ref> जिनमें से कुछ उप-परिवारों को अनुमानित घनत्व फ़िल्टर के साथ मेल खाते हुए दिखाया गया है।<ref>Damiano Brigo, Bernard Hanzon and François Le Gland, Approximate Nonlinear Filtering by Projection on Exponential Manifolds of Densities, Bernoulli, Vol. 5, N. 3 (1999), pp. 495--534</ref> [[कण फिल्टर]]<ref name=":22">{{cite journal|last1 = Del Moral|first1 = Pierre|title = मूल्यवान प्रक्रियाओं और अंतःक्रियात्मक कण प्रणालियों को मापें। गैर रेखीय फ़िल्टरिंग समस्याओं के लिए आवेदन|journal = Annals of Applied Probability|date = 1998|edition = Publications du Laboratoire de Statistique et Probabilités, 96-15 (1996)|volume = 8|issue = 2|pages = 438–495|url = http://projecteuclid.org/download/pdf_1/euclid.aoap/1028903535|doi = 10.1214/aoap/1028903535|doi-access = free}}</ref> अनंत आयामी फ़िल्टरिंग समस्या पर हमला करने के लिए एक अन्य विकल्प हैं और अनुक्रमिक मोंटे कार्लो विधियों पर आधारित हैं।
अधिकतम गैर-रैखिक फ़िल्टरिंग की स्थिति (यहां तक ​​कि गैर-स्थिर स्तिथियाँ के लिए भी) रुस्लान एल. स्ट्रैटोनोविच (1959) द्वारा हल की गई थी।<ref>[[Ruslan_Stratonovich|Stratonovich, R. L.]] (1959). ''Optimum nonlinear systems which bring about a separation of a signal with constant parameters from noise''. Radiofizika, 2:6, pp. 892-901.</ref> 1960 <ref>Stratonovich, R.L. (1960). ''Application of the Markov processes theory to optimal filtering''. Radio Engineering and Electronic Physics, 5:11, pp.1-19.</ref>), हेरोल्ड जे. कुशनर का काम भी देखें <ref>[[Harold_J._Kushner|Kushner, Harold]]. (1967). Nonlinear filtering: The exact dynamical equations satisfied by the conditional mode. Automatic Control, IEEE Transactions on Volume 12, Issue 3, Jun 1967 Page(s): 262 - 267</ref> और [[मोशे ज़काई]], जिन्होंने फ़िल्टर के असामान्य नियमबद्ध नियम के लिए सरलीकृत गतिशीलता प्रस्तुत की थी <ref>[[Moshe_Zakai|Zakai, Moshe]] (1969), On the optimal filtering of diffusion processes. Zeit. Wahrsch. 11  230–243. {{MR|242552}}, {{Zbl|0164.19201}}, {{doi|10.1007/BF00536382}}</ref> ज़काई समीकरण के नाम से जाना जाता है। चूँकि, सामान्य स्तिथियाँ में समाधान अनंत-आयामी है।<ref name=Michel>Mireille Chaleyat-Maurel and Dominique Michel. Des resultats de non existence de filtre de dimension finie. Stochastics, 13(1+2):83-102, 1984.</ref> कुछ सन्निकटन और विशेष स्तिथियाँ अच्छी तरह से समझे जाते हैं: उदाहरण के लिए, रैखिक फ़िल्टर गॉसियन यादृच्छिक वेरिएबल के लिए अधिकतम हैं, और इन्हें [[विनीज़ फ़िल्टर]] और [[कलमन-बुसी फ़िल्टर]] के रूप में जाना जाता है। अधिक सामान्यतः, चूंकि समाधान अनंत आयामी है, इसलिए इसे सीमित मेमोरी वाले कंप्यूटर में प्रयुक्त करने के लिए सीमित आयामी सन्निकटन की आवश्यकता होती है। परिमित आयामी अनुमानित [[अरेखीय फ़िल्टर]] अनुमानों पर आधारित हो सकता है, जैसे कि [[विस्तारित कलमैन फ़िल्टर]] या अनुमानित घनत्व फ़िल्टर होते है <ref>Maybeck, Peter S., Stochastic models, estimation, and control, Volume 141, Series Mathematics in Science and Engineering, 1979, Academic Press</ref> तथा यह अधिक पद्धतिगत रूप से उन्मुख जैसे उदाहरण के लिए [[प्रोजेक्शन फ़िल्टर]] होते है ,<ref>[[Damiano Brigo]], Bernard Hanzon and François LeGland, A Differential Geometric approach to nonlinear filtering: the Projection Filter, I.E.E.E. Transactions on Automatic Control Vol. 43, 2 (1998), pp 247--252.</ref> जिनमें से कुछ उप-वर्गों को अनुमानित घनत्व फ़िल्टर के साथ मेल खाते हुए दिखाया गया है।<ref>Damiano Brigo, Bernard Hanzon and François Le Gland, Approximate Nonlinear Filtering by Projection on Exponential Manifolds of Densities, Bernoulli, Vol. 5, N. 3 (1999), pp. 495--534</ref> [[कण फिल्टर]]<ref name=":22">{{cite journal|last1 = Del Moral|first1 = Pierre|title = मूल्यवान प्रक्रियाओं और अंतःक्रियात्मक कण प्रणालियों को मापें। गैर रेखीय फ़िल्टरिंग समस्याओं के लिए आवेदन|journal = Annals of Applied Probability|date = 1998|edition = Publications du Laboratoire de Statistique et Probabilités, 96-15 (1996)|volume = 8|issue = 2|pages = 438–495|url = http://projecteuclid.org/download/pdf_1/euclid.aoap/1028903535|doi = 10.1214/aoap/1028903535|doi-access = free}}</ref> अनंत आयामी फ़िल्टरिंग स्थिति पर आक्रमण करने के लिए अन्य विकल्प हैं और अनुक्रमिक मोंटे कार्लो विधियों पर आधारित हैं।


सामान्य तौर पर, यदि [[पृथक्करण सिद्धांत]] लागू होता है, तो [[इष्टतम नियंत्रण]] समस्या के समाधान के हिस्से के रूप में फ़िल्टरिंग भी उत्पन्न होती है। उदाहरण के लिए, [[कलमन फ़िल्टर]] [[रैखिक-द्विघात-गाऊसी नियंत्रण]] समस्या के इष्टतम नियंत्रण समाधान का अनुमान हिस्सा है।
सामान्यतः, यदि [[पृथक्करण सिद्धांत]] प्रयुक्त होता है, तो [[इष्टतम नियंत्रण|अधिकतम नियंत्रण]] स्थिति के समाधान के भागों के रूप में फ़िल्टरिंग भी उत्पन्न होती है। उदाहरण के लिए, [[कलमन फ़िल्टर]] [[रैखिक-द्विघात-गाऊसी नियंत्रण]] स्थिति के अधिकतम नियंत्रण समाधान का अनुमान भाग होता है।


==गणितीय औपचारिकता==
==गणितीय औपचारिकता                       ==


एक [[संभाव्यता स्थान]] (Ω,Σ,P) पर विचार करें और मान लें कि (यादृच्छिक) स्थिति ''Y''<sub>''t''</sub> एन-डायमेंशनल [[ यूक्लिडियन स्थान ]] 'आर' में<sup>समय t पर रुचि की प्रणाली का n</sup> एक यादृच्छिक चर Y है<sub>''t''</sub>: Ω → आर<sup>एन</sup> फॉर्म के कियोशी इटो|इटो स्टोकेस्टिक अंतर समीकरण के समाधान द्वारा दिया गया
इस प्रकार संभाव्यता समिष्ट (Ω, Σ, P) पर विचार करें और मान लिया जाये कि समय t पर इंटरेस्ट की प्रणाली के n-आयामी यूक्लिडियन अंतरिक्ष '''R'''<sup>''n''</sup> में (यादृच्छिक) स्थिति ''Y''<sub>''t''</sub> यादृच्छिक वेरिएबल ''Y''<sub>''t''</sub> है: तथा Ω → '''R'''<sup>''n''</sup> के समाधान द्वारा दिया गया है यह इटो स्वरुप का स्टोकेस्टिक विभेदक समीकरण होता है   


:<math>\mathrm{d} Y_{t} = b(t, Y_{t}) \, \mathrm{d} t + \sigma (t, Y_{t}) \, \mathrm{d} B_{t},</math>
<math>\mathrm{d} Y_{t} = b(t, Y_{t}) \, \mathrm{d} t + \sigma (t, Y_{t}) \, \mathrm{d} B_{t},</math>                                            
जहां B मानक पी-आयामी [[एक प्रकार कि गति]] को दर्शाता है, b : [0, +∞)×'R'<sup>n</sup>‍→'R'<sup>n</sup> बहाव क्षेत्र है, और σ : [0, +∞)×'R'<sup>n</sup>‍→'R'<sup>n×p</sup> प्रसार क्षेत्र है। यह माना जाता है कि अवलोकन एच<sub>''t''</sub> आर में<sup>m</sup> (ध्यान दें कि m और n, सामान्य तौर पर, असमान हो सकते हैं) प्रत्येक समय t के अनुसार लिया जाता है
 
जहां B मानक p-आयामी [[एक प्रकार कि गति|प्रकार कि गति]] को दर्शाता है, b : [0, +∞)×'R'<sup>n</sup>‍→'R'<sup>n</sup> बहाव क्षेत्र है, और σ : [0, +∞)×'R'<sup>n</sup>‍→'R'<sup>n×p</sup> प्रसार क्षेत्र है। यह माना जाता है कि ''R<sup>m</sup>'' में अवलोकन ''H<sub>t</sub>'' (ध्यान दें कि m और n, सामान्यतः, असमान हो सकते हैं) प्रत्येक समय t के अनुसार लिया जाता है


:<math>H_{t} = c(t, Y_{t}) + \gamma (t, Y_{t}) \cdot \mbox{noise}.</math>
:<math>H_{t} = c(t, Y_{t}) + \gamma (t, Y_{t}) \cdot \mbox{noise}.</math>                                                  
स्टोकेस्टिक अंतर और सेटिंग की इटो व्याख्या को अपनाना
स्टोकेस्टिक अंतर और सेटिंग की इटो व्याख्या को स्वीकारना


:<math> Z_{t} = \int_{0}^{t} H_{s} \, \mathrm{d} s,</math>
:<math> Z_{t} = \int_{0}^{t} H_{s} \, \mathrm{d} s,                                                                                                                               </math>
यह प्रेक्षणों Z के लिए निम्नलिखित स्टोकेस्टिक अभिन्न प्रतिनिधित्व देता है<sub>''t''</sub>:
यह प्रेक्षणों Z<sub>''t''</sub> के लिए निम्नलिखित स्टोकेस्टिक अभिन्न प्रतिनिधित्व देता है:


:<math>\mathrm{d} Z_{t} = c(t, Y_{t}) \, \mathrm{d} t + \gamma (t, Y_{t}) \, \mathrm{d} W_{t},</math>
:<math>\mathrm{d} Z_{t} = c(t, Y_{t}) \, \mathrm{d} t + \gamma (t, Y_{t}) \, \mathrm{d} W_{t},                                               </math>
जहां W मानक r-आयामी ब्राउनियन गति को दर्शाता है, जो B और प्रारंभिक स्थिति Y से स्वतंत्र है<sub>0</sub>, और c : [0, +∞)×'R'<sup>n</sup>‍→'R'<sup>n</sup> और γ: [0, +∞) × 'R'<sup>n</sup>‍→'R'<sup>n×r</sup> संतुष्ट करें
जहां W मानक r-आयामी ब्राउनियन गति को दर्शाता है, जो B और प्रारंभिक स्थिति Y<sub>0</sub> से स्वतंत्र है, और c : [0, +∞)×'R'<sup>n</sup>‍→'R'<sup>n</sup> और γ: [0, +∞) × 'R'<sup>n</sup>‍→'R'<sup>n×r</sup> को संतुष्ट करते है,


:<math>\big| c (t, x) \big| + \big| \gamma (t, x) \big| \leq C \big( 1 + | x | \big)</math>
:<math>\big| c (t, x) \big| + \big| \gamma (t, x) \big| \leq C \big( 1 + | x | \big)                                                 </math>
सभी t और x और कुछ स्थिरांक C के लिए।
सभी t और x और कुछ स्थिरांक C के लिए।


'फ़िल्टरिंग समस्या' निम्नलिखित है: दिए गए अवलोकन Z<sub>''s''</sub> 0 ≤ s ≤ t के लिए, सबसे अच्छा अनुमान क्या है?<sub>''t''</sub> वास्तविक अवस्था का Y<sub>''t''</sub> उन अवलोकनों के आधार पर प्रणाली का?
'फ़िल्टरिंग स्थिति ' निम्नलिखित है: 0 ≤ s ≤ t के लिए दिए गए अवलोकन Z<sub>''s,''</sub> उन अवलोकनों के आधार पर प्रणाली कि वास्तविक अवस्था का Y<sub>''t''</sub> का सबसे अच्छा अनुमान क्या है ?                                                                    


उन अवलोकनों के आधार पर यह अभिप्राय है कि Ŷ<sub>''t''</sub> सिग्मा बीजगणित|σ-बीजगणित जी के संबंध में [[मापने योग्य कार्य]] है<sub>''t''</sub> प्रेक्षणों द्वारा उत्पन्न Z<sub>''s''</sub>, 0 ≤ s ≤ t. सभी 'R' के संग्रह को K = K(Z, t) से निरूपित करें<sup>n</sup>-मूल्यवान यादृच्छिक चर Y जो वर्ग-अभिन्न और G हैं<sub>''t''</sub>-मापने योग्य:
"उन अवलोकनों के आधार पर" यह अभिप्राय है कि Y<sub>''t''</sub> अवलोकन Z<sub>''s''</sub> , 0 ≤ s ≤ t के द्वारा उत्पन्न σ-बीजगणित G<sub>''t''</sub> के संबंध में मापने योग्य है। सभी '''R'''<sup>''n''</sup> -मूल्यवान यादृच्छिक वेरिएबल Y के संग्रह को K = K(Z, t) द्वारा निरूपित करें जो वर्ग-अभिन्न और G<sub>''t''</sub> -मापने योग्य हैं:


:<math>K = K(Z, t) = L^{2} (\Omega, G_{t}, \mathbf{P}; \mathbf{R}^{n}).</math>
:<math>K = K(Z, t) = L^{2} (\Omega, G_{t}, \mathbf{P}; \mathbf{R}^{n}).</math>
सर्वोत्तम अनुमान से इसका तात्पर्य यह है कि Ŷ<sub>''t''</sub> Y के बीच माध्य-वर्ग दूरी को न्यूनतम करता है<sub>''t''</sub> और K में सभी उम्मीदवार:
सर्वोत्तम अनुमान से इसका तात्पर्य यह है कि Ŷ<sub>''t,''</sub> Y<sub>''t''</sub> और K में सभी उम्मीदवार के बीच माध्य-वर्ग दूरी को न्यूनतम करता है :


:<math>\mathbf{E} \left[ \big| Y_{t} - \hat{Y}_{t} \big|^{2} \right] = \inf_{Y \in K} \mathbf{E} \left[ \big| Y_{t} - Y \big|^{2} \right]. \qquad \mbox{(M)}</math>
:<math>\mathbf{E} \left[ \big| Y_{t} - \hat{Y}_{t} \big|^{2} \right] = \inf_{Y \in K} \mathbf{E} \left[ \big| Y_{t} - Y \big|^{2} \right]. \qquad \mbox{(M)}     </math>


==मूल परिणाम: ऑर्थोगोनल प्रक्षेपण                              ==


==मूल परिणाम: ऑर्थोगोनल प्रक्षेपण==
इस प्रकार उम्मीदवारों का समिष्ट K(Z,t) [[हिल्बर्ट स्थान|हिल्बर्ट समिष्ट]] है, और हिल्बर्ट रिक्त समिष्ट के सामान्य सिद्धांत का तात्पर्य है कि न्यूनतमकरण स्थिति (M) का समाधान Ŷ<sub>''t''</sub> द्वारा दी गई है
 
उम्मीदवारों का स्थान K(Z,t) एक [[हिल्बर्ट स्थान]] है, और हिल्बर्ट रिक्त स्थान के सामान्य सिद्धांत का तात्पर्य है कि समाधान Ŷ<sub>''t''</sub> न्यूनतमकरण समस्या (एम) द्वारा दी गई है


:<math>\hat{Y}_{t} = P_{K(Z, t)} \big( Y_{t} \big),</math>
:<math>\hat{Y}_{t} = P_{K(Z, t)} \big( Y_{t} \big),</math>
जहां पी<sub>''K''(''Z'',''t'')</sub> एल के [[ऑर्थोगोनल प्रक्षेपण]] को दर्शाता है<sup>2</sup>(, एस, पी; आर<sup>n</sup>) [[रैखिक उपस्थान]] K(Z, t) = L पर<sup>2</sup>(ओह, जी<sub>''t''</sub>, पी; आर<sup>n</sup>). इसके अलावा, [[सशर्त अपेक्षा]]ओं के बारे में यह एक सामान्य तथ्य है कि यदि F Σ का कोई उप-σ-बीजगणित है तो ऑर्थोगोनल प्रक्षेपण
जहां ''P<sub>K</sub>''<sub>(''Z'',''t'')</sub> [[रैखिक उपस्थान]] ''K''(''Z'', ''t'') = ''L''<sup>2</sup>(Ω, ''G<sub>t</sub>'', '''P'''; '''R'''<sup>''n''</sup>) पर ''L''<sup>2</sup>(Ω, Σ, '''P'''; '''R'''<sup>''n''</sup>) के [[ऑर्थोगोनल प्रक्षेपण]] को दर्शाता है. इसके अतिरिक्त, [[सशर्त अपेक्षा|नियमबद्ध अपेक्षा]]ओं के बारे में यह सामान्य तथ्य है कि यदि F Σ का कोई उप-σ-बीजगणित है तो ऑर्थोगोनल प्रक्षेपण


:<math>P_{K} : L^{2} (\Omega, \Sigma, \mathbf{P}; \mathbf{R}^{n}) \to  L^{2} (\Omega, F, \mathbf{P}; \mathbf{R}^{n})</math>
:<math>P_{K} : L^{2} (\Omega, \Sigma, \mathbf{P}; \mathbf{R}^{n}) \to  L^{2} (\Omega, F, \mathbf{P}; \mathbf{R}^{n})                                         </math>
वास्तव में सशर्त अपेक्षा ऑपरेटर E[·|''F''] है, यानी,
वास्तव में नियमबद्ध अपेक्षा ऑपरेटर E[·|''F''] है, अर्थात ,


:<math>P_{K} (X) = \mathbf{E} \big[ X \big | F \big].</math>
:<math>P_{K} (X) = \mathbf{E} \big[ X \big | F \big].</math>
Line 49: Line 49:


:<math>\hat{Y}_{t} = P_{K(Z, t)} \big( Y_{t} \big) = \mathbf{E} \big[ Y_{t} \big | G_{t} \big].</math>
:<math>\hat{Y}_{t} = P_{K(Z, t)} \big( Y_{t} \big) = \mathbf{E} \big[ Y_{t} \big | G_{t} \big].</math>
यह प्रारंभिक परिणाम फ़िल्टरिंग सिद्धांत के सामान्य फुजिसाकी-कल्लियानपुर-कुनीता समीकरण का आधार है।
यह प्रारंभिक परिणाम फ़िल्टरिंग सिद्धांत के सामान्य फुजिसाकी-कल्लियानपुर-कुनीता समीकरण का आधार है।  


==अधिक उन्नत परिणाम: नॉनलाइनियर फ़िल्टरिंग एसपीडीई==
==अधिक उन्नत परिणाम: नॉनलाइनियर फ़िल्टरिंग एसपीडीई       ==
एक समय t पर फ़िल्टर का पूरा ज्ञान सिग्नल Y के संभाव्यता नियम द्वारा दिया जाएगा<sub>''t''</sub> सिग्मा-फ़ील्ड जी पर सशर्त<sub>''t''</sub> समय t तक प्रेक्षण Z द्वारा उत्पन्न। यदि यह संभाव्यता कानून अनौपचारिक रूप से घनत्व को स्वीकार करता है
एक समय t पर फ़िल्टर का पूरा ज्ञान, समय t तक प्रेक्षण Z द्वारा उत्पन्न सिग्मा-फ़ील्ड ''G<sub>t</sub>'' पर नियमबद्ध सिग्नल ''Y<sub>t</sub>'' के संभाव्यता नियम द्वारा दिया जाएगा । यदि यह संभाव्यता नियम अनौपचारिक रूप से घनत्व को स्वीकार करता है
:<math> p_t(y)\ dy = {\bf P}(Y_t \in dy|G_t), </math>
:<math> p_t(y)\ dy = {\bf P}(Y_t \in dy|G_t), </math>
फिर कुछ नियमितता मान्यताओं के तहत घनत्व <math>p_t(y)</math> द्वारा संचालित एक गैर-रेखीय [[स्टोकेस्टिक आंशिक अंतर समीकरण]] (एसपीडीई) को संतुष्ट करता है <math>dZ_t</math> और इसे कुशनर_समीकरण|कुशनर-स्ट्रेटोनोविच समीकरण कहा जाता है,<ref name=BainCrisan>Bain, A., and Crisan, D. (2009). Fundamentals of Stochastic Filtering. Springer-Verlag, New York,  
फिर कुछ नियमितता मान्यताओं के अनुसार घनत्व <math>p_t(y)</math> <math>dZ_t</math> द्वारा संचालित गैर-रेखीय [[स्टोकेस्टिक आंशिक अंतर समीकरण]] (एसपीडीई) को संतुष्ट करता है और इसे कुशनर_समीकरण|कुशनर-स्ट्रेटोनोविच समीकरण कहा जाता है,<ref name=BainCrisan>Bain, A., and Crisan, D. (2009). Fundamentals of Stochastic Filtering. Springer-Verlag, New York,  
  https://doi.org/10.1007/978-0-387-76896-0</ref> या एक असामान्य संस्करण <math>q_t(y)</math> घनत्व का <math>p_t(y)</math> ज़काई समीकरण नामक एक रैखिक एसपीडीई को संतुष्ट करता है।<ref name=BainCrisan />  
  https://doi.org/10.1007/978-0-387-76896-0</ref> या घनत्व का असामान्य संस्करण <math>q_t(y)</math> <math>p_t(y)</math> ज़काई समीकरण नामक रैखिक एसपीडीई को संतुष्ट करता है।<ref name=BainCrisan /> ये समीकरण उपरोक्त प्रणाली के लिए तैयार किए जा सकते हैं, किन्तु व्याख्या को सरल बनाने के लिए कोई यह मान सकता है कि न देखे गए सिग्नल Y और आंशिक रूप से देखे गए ध्वनि सिग्नल Z समीकरणों को संतुष्ट करते हैं
ये समीकरण उपरोक्त प्रणाली के लिए तैयार किए जा सकते हैं, लेकिन व्याख्या को सरल बनाने के लिए कोई यह मान सकता है कि न देखे गए सिग्नल Y और आंशिक रूप से देखे गए शोर सिग्नल Z समीकरणों को संतुष्ट करते हैं
:<math>\mathrm{d} Y_{t} = b(t, Y_{t}) \, \mathrm{d} t + \sigma (t, Y_{t}) \, \mathrm{d} B_{t},</math>
:<math>\mathrm{d} Y_{t} = b(t, Y_{t}) \, \mathrm{d} t + \sigma (t, Y_{t}) \, \mathrm{d} B_{t},</math>
:<math>\mathrm{d} Z_{t} = c(t, Y_{t}) \, \mathrm{d} t +  \mathrm{d} W_{t}.</math>
:<math>\mathrm{d} Z_{t} = c(t, Y_{t}) \, \mathrm{d} t +  \mathrm{d} W_{t}.</math>
दूसरे शब्दों में, यह मानकर प्रणाली को सरल बनाया गया है कि अवलोकन शोर W राज्य पर निर्भर नहीं है।
दूसरे शब्दों में, यह मानकर प्रणाली को सरल बनाया गया है कि अवलोकन ध्वनि W समिष्ट पर निर्भर नहीं है।
   
   
कोई नियतिवादी समय पर निर्भर रख सकता है <math>\gamma</math> के सामने <math> dW</math> लेकिन हम मानते हैं कि इसे पुनः स्केलिंग द्वारा हटा दिया गया है।
कोई नियतिवादी <math> dW</math> के सामने नियत समय पर निर्भर <math>\gamma</math> रख सकता है किन्तु हम मानते हैं कि इसे पुनः स्केलिंग द्वारा हटा दिया गया है।


इस विशेष प्रणाली के लिए, घनत्व के लिए कुशनर-स्ट्रैटोनोविच एसपीडीई <math>p_t</math> पढ़ता
इस विशेष प्रणाली के लिए, घनत्व <math>p_t</math> के लिए कुशनर-स्ट्रैटोनोविच एसपीडीई पढ़ता है
:<math>
:<math>
\mathrm{d} p_t = {\cal L}^*_t  p_t \  dt  
\mathrm{d} p_t = {\cal L}^*_t  p_t \  dt  
+ p_t[c(t,\cdot) - E_{p_t}(c(t,\cdot))]^T [ d Z_t - E_{p_t}(c(t,\cdot)) d t]
+ p_t[c(t,\cdot) - E_{p_t}(c(t,\cdot))]^T [ d Z_t - E_{p_t}(c(t,\cdot)) d t]
</math>
</math>
जहाँ T स्थानान्तरण को दर्शाता है, <math>E_p</math> घनत्व पी के संबंध में अपेक्षा को दर्शाता है,
जहाँ T स्थानान्तरण को दर्शाता है, <math>E_p</math> घनत्व p के संबंध में अपेक्षा को दर्शाता है   <math> E_p[f] = \int f(y) p(y) dy,                                                                                 </math> और आगे प्रसार ऑपरेटर <math>{\cal L}^*_t</math> है
  <math> E_p[f] = \int f(y) p(y) dy,</math> और आगे प्रसार ऑपरेटर <math>{\cal L}^*_t</math> है
:<math>
:<math>
{\cal L}_t^* f(t,y) = - \sum_i \frac{\partial}{\partial y_i} [ b_i(t,y) f(t,y) ] + \frac{1}{2} \sum_{i,j} \frac{\partial^2}{\partial y_i \partial y_j} [a_{ij}(t,y) f(t,y)]
{\cal L}_t^* f(t,y) = - \sum_i \frac{\partial}{\partial y_i} [ b_i(t,y) f(t,y) ] + \frac{1}{2} \sum_{i,j} \frac{\partial^2}{\partial y_i \partial y_j} [a_{ij}(t,y) f(t,y)]                                                                                                                        
</math>
</math>
कहाँ <math>a=\sigma \sigma^T</math>.
जहाँ <math>a=\sigma \sigma^T</math>. यदि हम असामान्य घनत्व <math> q_t(y)</math> चुनते हैं, उसी प्रणाली के लिए ज़काई एसपीडीई पढ़ता है
यदि हम असामान्य घनत्व चुनते हैं <math> q_t(y)</math>, उसी सिस्टम के लिए ज़काई एसपीडीई पढ़ता है
:<math>
:<math>
\mathrm{d} q_t = {\cal L}^*_t  q_t \  dt  
\mathrm{d} q_t = {\cal L}^*_t  q_t \  dt  
+ q_t[c(t,\cdot)]^T  d Z_t .
+ q_t[c(t,\cdot)]^T  d Z_t .
</math>
</math>
पी और क्यू के लिए ये एसपीडीई इटो कैलकुलस फॉर्म में लिखे गए हैं। उन्हें स्ट्रैटोनोविच कैलकुलस फॉर्म में लिखना संभव है, जो प्रक्षेपण फिल्टर की तरह, अंतर ज्यामिति के आधार पर फ़िल्टरिंग अनुमान प्राप्त करते समय सहायक साबित होता है।
p और q के लिए ये एसपीडीई इटो कैलकुलस रूप में लिखे गए हैं। उन्हें स्ट्रैटोनोविच कैलकुलस रूप में लिखना संभव है, जो प्रक्षेपण फिल्टर की तरह, अंतर ज्यामिति के आधार पर फ़िल्टरिंग अनुमान प्राप्त करते समय सहायक सिद्ध होता है। उदाहरण के लिए, स्ट्रैटोनोविच कैलकुलस में लिखा गया कुशनर-स्ट्रैटोनोविच समीकरण पढ़ता है
उदाहरण के लिए, स्ट्रैटोनोविच कैलकुलस में लिखा गया कुशनर-स्ट्रैटोनोविच समीकरण पढ़ता है
:<math>  d p_t = {\cal L}^\ast_t\, p_t\,dt
:<math>  d p_t = {\cal L}^\ast_t\, p_t\,dt
   - \frac{1}{2}\, p_t\, [\vert c \vert^2 - E_{p}(\vert c \vert^2)] \,dt
   - \frac{1}{2}\, p_t\, [\vert c \vert^2 - E_{p}(\vert c \vert^2)] \,dt
   +  p\, [c-E_{p}(c)]^T \circ dZ\ .</math>
   +  p\, [c-E_{p}(c)]^T \circ dZ\ .                                                                                                                                           </math>
किसी भी घनत्व p और q से कोई सिग्नल Y के सभी आँकड़ों की गणना कर सकता है<sub>''t''</sub> समय t तक अवलोकन Z द्वारा उत्पन्न सिग्मा-क्षेत्र पर सशर्त, ताकि घनत्व फ़िल्टर का पूरा ज्ञान दे सके। Y के संबंध में विशेष रैखिक-स्थिर धारणाओं के तहत, जहां सिस्टम गुणांक b और c, Y के रैखिक कार्य हैं और जहां <math>\sigma</math> और <math>\gamma</math> वाई पर निर्भर न रहें, सिग्नल वाई के लिए प्रारंभिक शर्त गॉसियन या नियतात्मक, घनत्व है <math>p_t(y)</math> गॉसियन है और इसे इसके माध्य और विचरण-सहप्रसरण मैट्रिक्स द्वारा चित्रित किया जा सकता है, जिसके विकास का वर्णन कलमैन_फिल्टर#कलमैन-बुसी_फिल्टर|कलमैन-बुसी फिल्टर द्वारा किया गया है, जो परिमित आयामी है।<ref name=BainCrisan />अधिक सामान्यतः, फ़िल्टर घनत्व का विकास एक अनंत-आयामी फ़ंक्शन स्थान में होता है,<ref name=Michel />और इसे एक परिमित आयामी सन्निकटन के माध्यम से अनुमानित किया जाना चाहिए, जैसा कि ऊपर संकेत दिया गया है।
किसी भी घनत्व p और q से कोई समय t तक अवलोकन Z द्वारा उत्पन्न सिग्मा-क्षेत्र पर नियमबद्ध सिग्नल Y<sub>''t''</sub> के सभी आँकड़ों की गणना कर सकता है, जिससे कि घनत्व फ़िल्टर का पूरा ज्ञान दे सकता है तथा Y के संबंध में विशेष रैखिक-स्थिर धारणाओं के अनुसार , जहां प्रणाली गुणांक b और c, Y के रैखिक फलन हैं तथा जिसमे <math>\sigma</math> और <math>\gamma</math> Y पर निर्भर नहीं हो सकता है, और सिग्नल Y के लिए प्रारंभिक नियम गॉसियन या नियतात्मक होता है, जहाँ घनत्व <math>p_t(y)</math> गॉसियन है और इसे इसके माध्य और विचरण-सहप्रसरण आव्युह द्वारा चित्रित किया जा सकता है, जिसके विकास का वर्णन कलमैन फिल्टर या कलमैन-बुसी फिल्टर या कलमैन-बुसी फिल्टर द्वारा किया गया है, जो परिमित आयामी है।<ref name=BainCrisan /> अधिक सामान्यतः, फ़िल्टर घनत्व का विकास अनंत-आयामी फलन समिष्ट में होता है,<ref name=Michel /> और इसे परिमित आयामी सन्निकटन के माध्यम से अनुमानित किया जाना चाहिए, जैसा कि ऊपर संकेत दिया गया है।


==यह भी देखें==
==यह भी देखें                                                       ==
* स्मूथिंग समस्या, फ़िल्टरिंग समस्या से निकटता से संबंधित है
* स्मूथिंग स्थिति , फ़िल्टरिंग स्थिति से निकटता से संबंधित है
* [[फ़िल्टर (सिग्नल प्रोसेसिंग)]]
* [[फ़िल्टर (सिग्नल प्रोसेसिंग)]]
* कलमन फ़िल्टर, एक प्रसिद्ध फ़िल्टरिंग एल्गोरिदम जो फ़िल्टरिंग समस्या और स्मूथिंग समस्या दोनों से संबंधित है
* कलमन फ़िल्टर, प्रसिद्ध फ़िल्टरिंग एल्गोरिदम जो फ़िल्टरिंग स्थिति और स्मूथिंग स्थिति दोनों से संबंधित है
* [[चौरसाई]] करना
* स्मूथिंग
* प्रोजेक्शन फिल्टर
* प्रोजेक्शन फिल्टर
* कण फिल्टर
* कण फिल्टर
Line 98: Line 94:




==अग्रिम पठन==
==अग्रिम पठन ==
* {{cite book
* {{cite book
| last = Jazwinski
| last = Jazwinski
Line 119: Line 115:
| isbn = 3-540-04758-1
| isbn = 3-540-04758-1
}} (See Section 6.1)
}} (See Section 6.1)
[[Category: नियंत्रण सिद्धांत]] [[Category: संकेत अनुमान]] [[Category: स्टोकेस्टिक विभेदक समीकरण]]


[[Category: Machine Translated Page]]
[[Category:Created On 24/07/2023]]
[[Category:Created On 24/07/2023]]
[[Category:Lua-based templates]]
[[Category:Machine Translated Page]]
[[Category:Pages with script errors]]
[[Category:Short description with empty Wikidata description]]
[[Category:Templates Vigyan Ready]]
[[Category:Templates that add a tracking category]]
[[Category:Templates that generate short descriptions]]
[[Category:Templates using TemplateData]]
[[Category:नियंत्रण सिद्धांत]]
[[Category:संकेत अनुमान]]
[[Category:स्टोकेस्टिक विभेदक समीकरण]]

Latest revision as of 11:21, 14 August 2023

स्टोकेस्टिक प्रक्रियाओं के सिद्धांत में, फ़िल्टरिंग अपूर्ण और संभावित ध्वनि (सिग्नल प्रोसेसिंग) अवलोकनों के समुच्चय से प्रणाली को वंहा इस प्रकार दर्शाया गया है जहाँ उसकी स्थिति (नियंत्रण) निर्धारित करने की स्थिति का वर्णन किया जाता है। जबकि मूल रूप से इंजीनियरिंग की स्तिथियों से प्रेरित होकर, फ़िल्टरिंग को सिग्नल प्रोसेसिंग से लेकर वित्त तक अनेक क्षेत्रों में अनुप्रयोग मिला था।

अधिकतम गैर-रैखिक फ़िल्टरिंग की स्थिति (यहां तक ​​कि गैर-स्थिर स्तिथियाँ के लिए भी) रुस्लान एल. स्ट्रैटोनोविच (1959) द्वारा हल की गई थी।[1] 1960 [2]), हेरोल्ड जे. कुशनर का काम भी देखें [3] और मोशे ज़काई, जिन्होंने फ़िल्टर के असामान्य नियमबद्ध नियम के लिए सरलीकृत गतिशीलता प्रस्तुत की थी [4] ज़काई समीकरण के नाम से जाना जाता है। चूँकि, सामान्य स्तिथियाँ में समाधान अनंत-आयामी है।[5] कुछ सन्निकटन और विशेष स्तिथियाँ अच्छी तरह से समझे जाते हैं: उदाहरण के लिए, रैखिक फ़िल्टर गॉसियन यादृच्छिक वेरिएबल के लिए अधिकतम हैं, और इन्हें विनीज़ फ़िल्टर और कलमन-बुसी फ़िल्टर के रूप में जाना जाता है। अधिक सामान्यतः, चूंकि समाधान अनंत आयामी है, इसलिए इसे सीमित मेमोरी वाले कंप्यूटर में प्रयुक्त करने के लिए सीमित आयामी सन्निकटन की आवश्यकता होती है। परिमित आयामी अनुमानित अरेखीय फ़िल्टर अनुमानों पर आधारित हो सकता है, जैसे कि विस्तारित कलमैन फ़िल्टर या अनुमानित घनत्व फ़िल्टर होते है [6] तथा यह अधिक पद्धतिगत रूप से उन्मुख जैसे उदाहरण के लिए प्रोजेक्शन फ़िल्टर होते है ,[7] जिनमें से कुछ उप-वर्गों को अनुमानित घनत्व फ़िल्टर के साथ मेल खाते हुए दिखाया गया है।[8] कण फिल्टर[9] अनंत आयामी फ़िल्टरिंग स्थिति पर आक्रमण करने के लिए अन्य विकल्प हैं और अनुक्रमिक मोंटे कार्लो विधियों पर आधारित हैं।

सामान्यतः, यदि पृथक्करण सिद्धांत प्रयुक्त होता है, तो अधिकतम नियंत्रण स्थिति के समाधान के भागों के रूप में फ़िल्टरिंग भी उत्पन्न होती है। उदाहरण के लिए, कलमन फ़िल्टर रैखिक-द्विघात-गाऊसी नियंत्रण स्थिति के अधिकतम नियंत्रण समाधान का अनुमान भाग होता है।

गणितीय औपचारिकता

इस प्रकार संभाव्यता समिष्ट (Ω, Σ, P) पर विचार करें और मान लिया जाये कि समय t पर इंटरेस्ट की प्रणाली के n-आयामी यूक्लिडियन अंतरिक्ष Rn में (यादृच्छिक) स्थिति Yt यादृच्छिक वेरिएबल Yt है: तथा Ω → Rn के समाधान द्वारा दिया गया है यह इटो स्वरुप का स्टोकेस्टिक विभेदक समीकरण होता है

जहां B मानक p-आयामी प्रकार कि गति को दर्शाता है, b : [0, +∞)×'R'n‍→'R'n बहाव क्षेत्र है, और σ : [0, +∞)×'R'n‍→'R'n×p प्रसार क्षेत्र है। यह माना जाता है कि Rm में अवलोकन Ht (ध्यान दें कि m और n, सामान्यतः, असमान हो सकते हैं) प्रत्येक समय t के अनुसार लिया जाता है

स्टोकेस्टिक अंतर और सेटिंग की इटो व्याख्या को स्वीकारना

यह प्रेक्षणों Zt के लिए निम्नलिखित स्टोकेस्टिक अभिन्न प्रतिनिधित्व देता है:

जहां W मानक r-आयामी ब्राउनियन गति को दर्शाता है, जो B और प्रारंभिक स्थिति Y0 से स्वतंत्र है, और c : [0, +∞)×'R'n‍→'R'n और γ: [0, +∞) × 'R'n‍→'R'n×r को संतुष्ट करते है,

सभी t और x और कुछ स्थिरांक C के लिए।

'फ़िल्टरिंग स्थिति ' निम्नलिखित है: 0 ≤ s ≤ t के लिए दिए गए अवलोकन Zs, उन अवलोकनों के आधार पर प्रणाली कि वास्तविक अवस्था का Yt का सबसे अच्छा अनुमान क्या है ?

"उन अवलोकनों के आधार पर" यह अभिप्राय है कि Yt अवलोकन Zs , 0 ≤ s ≤ t के द्वारा उत्पन्न σ-बीजगणित Gt के संबंध में मापने योग्य है। सभी Rn -मूल्यवान यादृच्छिक वेरिएबल Y के संग्रह को K = K(Z, t) द्वारा निरूपित करें जो वर्ग-अभिन्न और Gt -मापने योग्य हैं:

सर्वोत्तम अनुमान से इसका तात्पर्य यह है कि Ŷt, Yt और K में सभी उम्मीदवार के बीच माध्य-वर्ग दूरी को न्यूनतम करता है :

मूल परिणाम: ऑर्थोगोनल प्रक्षेपण

इस प्रकार उम्मीदवारों का समिष्ट K(Z,t) हिल्बर्ट समिष्ट है, और हिल्बर्ट रिक्त समिष्ट के सामान्य सिद्धांत का तात्पर्य है कि न्यूनतमकरण स्थिति (M) का समाधान Ŷt द्वारा दी गई है

जहां PK(Z,t) रैखिक उपस्थान K(Z, t) = L2(Ω, Gt, P; Rn) पर L2(Ω, Σ, P; Rn) के ऑर्थोगोनल प्रक्षेपण को दर्शाता है. इसके अतिरिक्त, नियमबद्ध अपेक्षाओं के बारे में यह सामान्य तथ्य है कि यदि F Σ का कोई उप-σ-बीजगणित है तो ऑर्थोगोनल प्रक्षेपण

वास्तव में नियमबद्ध अपेक्षा ऑपरेटर E[·|F] है, अर्थात ,

इस तरह,

यह प्रारंभिक परिणाम फ़िल्टरिंग सिद्धांत के सामान्य फुजिसाकी-कल्लियानपुर-कुनीता समीकरण का आधार है।

अधिक उन्नत परिणाम: नॉनलाइनियर फ़िल्टरिंग एसपीडीई

एक समय t पर फ़िल्टर का पूरा ज्ञान, समय t तक प्रेक्षण Z द्वारा उत्पन्न सिग्मा-फ़ील्ड Gt पर नियमबद्ध सिग्नल Yt के संभाव्यता नियम द्वारा दिया जाएगा । यदि यह संभाव्यता नियम अनौपचारिक रूप से घनत्व को स्वीकार करता है

फिर कुछ नियमितता मान्यताओं के अनुसार घनत्व द्वारा संचालित गैर-रेखीय स्टोकेस्टिक आंशिक अंतर समीकरण (एसपीडीई) को संतुष्ट करता है और इसे कुशनर_समीकरण|कुशनर-स्ट्रेटोनोविच समीकरण कहा जाता है,[10] या घनत्व का असामान्य संस्करण ज़काई समीकरण नामक रैखिक एसपीडीई को संतुष्ट करता है।[10] ये समीकरण उपरोक्त प्रणाली के लिए तैयार किए जा सकते हैं, किन्तु व्याख्या को सरल बनाने के लिए कोई यह मान सकता है कि न देखे गए सिग्नल Y और आंशिक रूप से देखे गए ध्वनि सिग्नल Z समीकरणों को संतुष्ट करते हैं

दूसरे शब्दों में, यह मानकर प्रणाली को सरल बनाया गया है कि अवलोकन ध्वनि W समिष्ट पर निर्भर नहीं है।

कोई नियतिवादी के सामने नियत समय पर निर्भर रख सकता है किन्तु हम मानते हैं कि इसे पुनः स्केलिंग द्वारा हटा दिया गया है।

इस विशेष प्रणाली के लिए, घनत्व के लिए कुशनर-स्ट्रैटोनोविच एसपीडीई पढ़ता है

जहाँ T स्थानान्तरण को दर्शाता है, घनत्व p के संबंध में अपेक्षा को दर्शाता है और आगे प्रसार ऑपरेटर है

जहाँ . यदि हम असामान्य घनत्व चुनते हैं, उसी प्रणाली के लिए ज़काई एसपीडीई पढ़ता है

p और q के लिए ये एसपीडीई इटो कैलकुलस रूप में लिखे गए हैं। उन्हें स्ट्रैटोनोविच कैलकुलस रूप में लिखना संभव है, जो प्रक्षेपण फिल्टर की तरह, अंतर ज्यामिति के आधार पर फ़िल्टरिंग अनुमान प्राप्त करते समय सहायक सिद्ध होता है। उदाहरण के लिए, स्ट्रैटोनोविच कैलकुलस में लिखा गया कुशनर-स्ट्रैटोनोविच समीकरण पढ़ता है

किसी भी घनत्व p और q से कोई समय t तक अवलोकन Z द्वारा उत्पन्न सिग्मा-क्षेत्र पर नियमबद्ध सिग्नल Yt के सभी आँकड़ों की गणना कर सकता है, जिससे कि घनत्व फ़िल्टर का पूरा ज्ञान दे सकता है तथा Y के संबंध में विशेष रैखिक-स्थिर धारणाओं के अनुसार , जहां प्रणाली गुणांक b और c, Y के रैखिक फलन हैं तथा जिसमे और Y पर निर्भर नहीं हो सकता है, और सिग्नल Y के लिए प्रारंभिक नियम गॉसियन या नियतात्मक होता है, जहाँ घनत्व गॉसियन है और इसे इसके माध्य और विचरण-सहप्रसरण आव्युह द्वारा चित्रित किया जा सकता है, जिसके विकास का वर्णन कलमैन फिल्टर या कलमैन-बुसी फिल्टर या कलमैन-बुसी फिल्टर द्वारा किया गया है, जो परिमित आयामी है।[10] अधिक सामान्यतः, फ़िल्टर घनत्व का विकास अनंत-आयामी फलन समिष्ट में होता है,[5] और इसे परिमित आयामी सन्निकटन के माध्यम से अनुमानित किया जाना चाहिए, जैसा कि ऊपर संकेत दिया गया है।

यह भी देखें

  • स्मूथिंग स्थिति , फ़िल्टरिंग स्थिति से निकटता से संबंधित है
  • फ़िल्टर (सिग्नल प्रोसेसिंग)
  • कलमन फ़िल्टर, प्रसिद्ध फ़िल्टरिंग एल्गोरिदम जो फ़िल्टरिंग स्थिति और स्मूथिंग स्थिति दोनों से संबंधित है
  • स्मूथिंग
  • प्रोजेक्शन फिल्टर
  • कण फिल्टर

संदर्भ

  1. Stratonovich, R. L. (1959). Optimum nonlinear systems which bring about a separation of a signal with constant parameters from noise. Radiofizika, 2:6, pp. 892-901.
  2. Stratonovich, R.L. (1960). Application of the Markov processes theory to optimal filtering. Radio Engineering and Electronic Physics, 5:11, pp.1-19.
  3. Kushner, Harold. (1967). Nonlinear filtering: The exact dynamical equations satisfied by the conditional mode. Automatic Control, IEEE Transactions on Volume 12, Issue 3, Jun 1967 Page(s): 262 - 267
  4. Zakai, Moshe (1969), On the optimal filtering of diffusion processes. Zeit. Wahrsch. 11 230–243. MR242552, Zbl 0164.19201, doi:10.1007/BF00536382
  5. 5.0 5.1 Mireille Chaleyat-Maurel and Dominique Michel. Des resultats de non existence de filtre de dimension finie. Stochastics, 13(1+2):83-102, 1984.
  6. Maybeck, Peter S., Stochastic models, estimation, and control, Volume 141, Series Mathematics in Science and Engineering, 1979, Academic Press
  7. Damiano Brigo, Bernard Hanzon and François LeGland, A Differential Geometric approach to nonlinear filtering: the Projection Filter, I.E.E.E. Transactions on Automatic Control Vol. 43, 2 (1998), pp 247--252.
  8. Damiano Brigo, Bernard Hanzon and François Le Gland, Approximate Nonlinear Filtering by Projection on Exponential Manifolds of Densities, Bernoulli, Vol. 5, N. 3 (1999), pp. 495--534
  9. Del Moral, Pierre (1998). "मूल्यवान प्रक्रियाओं और अंतःक्रियात्मक कण प्रणालियों को मापें। गैर रेखीय फ़िल्टरिंग समस्याओं के लिए आवेदन". Annals of Applied Probability (Publications du Laboratoire de Statistique et Probabilités, 96-15 (1996) ed.). 8 (2): 438–495. doi:10.1214/aoap/1028903535.
  10. 10.0 10.1 10.2 Bain, A., and Crisan, D. (2009). Fundamentals of Stochastic Filtering. Springer-Verlag, New York, https://doi.org/10.1007/978-0-387-76896-0


अग्रिम पठन

  • Jazwinski, Andrew H. (1970). Stochastic Processes and Filtering Theory. New York: Academic Press. ISBN 0-12-381550-9.
  • Øksendal, Bernt K. (2003). Stochastic Differential Equations: An Introduction with Applications (Sixth ed.). Berlin: Springer. ISBN 3-540-04758-1. (See Section 6.1)