အာရုံခံပေါင်းစပ်မှု အယ်လဂိုရီသမ်

Kalman ဇကာ

Kalman filter သည် ပုံမှန်ဖြစ်သည်။

အယ်လဂိုရီသမ်၏ အဓိကအချက်မှာ အာရုံခံကိရိယာတစ်ခုစီအတွက် "ယုံကြည်ချက်" ဆိုင်ရာအချက်များ အစုအဝေးကို သတ်မှတ်ရန်ဖြစ်သည်။ အခိုက်အတန့်တိုင်းတွင်၊ နောက်ဆုံးအခိုက်အတန့်မှ အာရုံခံဒေတာကို ခန့်မှန်းချက် (ကိုယ်တိုင်ထည့်သွင်းခြင်း) ပိုမိုကောင်းမွန်လာစေရန် ကိန်းဂဏန်းအချက်အလက်များကို အသုံးပြုမည်ဖြစ်ပြီး အာရုံခံကိရိယာ၏ အရည်အသွေးကိုလည်း အကဲဖြတ်မည်ဖြစ်သည်။ ခန့်မှန်းတန်ဖိုးနှင့် အာရုံခံကိရိယာ၏ တိုင်းတာသည့်တန်ဖိုးကြား နှိုင်းယှဉ်မှုတွင်၊ အလွန်ကောင်းမွန်သောတန်ဖိုးကို ခန့်မှန်းပြီး အထွက်ရှိမည်ဖြစ်သည်။

ဆိုလိုသည်မှာ အာရုံခံကိရိယာတစ်ခုသည် အမြဲတမ်းကောင်းမွန်ပြီး တသမတ်တည်းတန်ဖိုးတစ်ခုပေးပြီး သင့်အား မဖြစ်နိုင်သောအရာတစ်ခုကို စတင်ပြောပြပါက၊ အာရုံခံကိရိယာ၏ယုံကြည်နိုင်မှုအဆင့်သည် ပြန်လည်နားလည်သဘောပေါက်လာသည်အထိ မီလီစက္ကန့်အနည်းငယ်အတွင်း လျော့နည်းသွားမည်ဖြစ်သည်။

Kalman filter သည် အာရုံခံကိရိယာအများစု ယာယီပြတ်တောက်နေသည့်အခြေအနေကို ကိုင်တွယ်ဖြေရှင်းနိုင်သောကြောင့် ၎င်းသည် ရိုးရှင်းသော ပျမ်းမျှမဲပေးခြင်းထက် ပိုကောင်းပါသည်။ အကြောင်းပြချက်ကောင်းကို ထိန်းထားနိုင်သရွေ့ စက်ရုပ်ကို အမှောင်ထုကို ဖြတ်ကျော်နိုင်မှာပါ။

Kalman filter သည် Markov ကွင်းဆက်နှင့် Bayesian ကျိုးကြောင်းဆင်ခြင်ခြင်းဆိုင်ရာ ယေဘုယျသဘောတရားများကို သက်သေအထောက်အထားများအသုံးပြု၍ ၎င်းတို့၏ ခန့်မှန်းချက်များကို ထပ်ခါတလဲလဲ တိုးတက်စေသည့် သင်္ချာစနစ်တစ်ခုဖြစ်သည်။ ဤကိရိယာများသည် သိပ္ပံကိုယ်တိုင် စမ်းသပ်သော အိုင်ဒီယာများကို ကူညီရန် အသုံးပြုသည့် ကိရိယာများဖြစ်သည် (ကျွန်ုပ်တို့သည် "ကိန်းဂဏန်းဆိုင်ရာ အရေးပါမှု" ဟုခေါ်သော အခြေခံဖြစ်သည်)။

ထို့ကြောင့် အချို့သော အာရုံခံပေါင်းစပ်စနစ်များသည် သိပ္ပံပညာ၏ အနှစ်သာရကို တစ်စက္ကန့်လျှင် အကြိမ် ၁၀၀၀ နှုန်းဖြင့် ဖော်ပြသည်ဟု ကဗျာဆန်ဆန်ဆိုနိုင်သည်။

Kalman filter များကို အာကာသဂြိုလ်တုများ၏ ပတ်လမ်းကြောင်းတွင် ဆယ်စုနှစ်များစွာ အသုံးပြုခဲ့သည်။ ခေတ်မီ မိုက်ခရိုကွန်ထရိုလာများသည် အယ်လဂိုရီသမ်ကို အချိန်နှင့်တပြေးညီ လုပ်ဆောင်နိုင်သောကြောင့် ၎င်းတို့သည် စက်ရုပ်များတွင် ပို၍ရေပန်းစားလာကြသည်။