বেশিরভাগ সময় কলম্যান ফিল্টার শব্দ শোনার ম্যাট্রিকগুলি টিউন এবং ত্রুটি বা ডোমেন জ্ঞানের দ্বারা সম্পন্ন হয়। সমস্ত কলম্যান ফিল্টার প্যারামিটারগুলিকে সুর করার আরও নীতিগত উপায় আছে কি?
বেশিরভাগ সময় কলম্যান ফিল্টার শব্দ শোনার ম্যাট্রিকগুলি টিউন এবং ত্রুটি বা ডোমেন জ্ঞানের দ্বারা সম্পন্ন হয়। সমস্ত কলম্যান ফিল্টার প্যারামিটারগুলিকে সুর করার আরও নীতিগত উপায় আছে কি?
উত্তর:
আপনি পরীক্ষামূলক ডেটা পেতে পারেন এবং প্রক্রিয়া গোলমাল (সময়ের পদক্ষেপের মধ্যে গোলমাল) এবং সেন্সর গোলমাল (কোনও স্থল সত্যের তুলনায়) নির্ধারণ করতে কিছু পরিসংখ্যান বিশ্লেষণ করতে পারেন।
সেন্সর আওয়াজের স্থল সত্যতা পেতে, আপনাকে হয় আরও সঠিক সেন্সর লাগবে, না হলে পরীক্ষামূলকভাবে একটি জ্ঞাত (সাধারণত স্থির) মানকে কেন্দ্র করে আগ্রহের স্থিতি রেখে পরীক্ষা করা দরকার test
যদি আপনার পরীক্ষামূলক ডেটা না থাকে তবে আপনি প্রতিটি সেন্সরের শব্দটি নির্ধারণের জন্য ডেটাপত্রক বা স্পেসিফিকেশন ব্যবহার করতে পারেন। প্রক্রিয়া গোলমাল এই উদাহরণে আরও কঠিন হতে পারে তবে আপনি যদি কোনও ভারসাম্যকর প্রক্রিয়া শোরের প্রাথমিক উত্স হন তবে উদাহরণস্বরূপ, একজন অ্যাকিউউটারের কারণে নির্দিষ্ট পরিমাণের গোলমাল ধরে ধরে এর মানটি অনুমান করতে সক্ষম হতে পারেন।
আর একটি উপায় হ'ল অনুমানের জন্য অনুমোদিত সর্বোচ্চ নিষ্পত্তির সময় বিবেচনা করা। এটি প্রক্রিয়া গোলমাল এবং সেন্সর গোলমালের মধ্যে অনুপাত নির্ধারণ করবে। এটি আপনার নিষ্পত্তির সময়ের প্রয়োজনীয়তাগুলি পূরণ করার সময় সর্বাধিক ফিল্টারিং প্রভাব রাখতে দেয়।
নোট করুন যে এটি বিভিন্ন সেন্সর বা বিভিন্ন রাজ্যের মধ্যে অনুপাত টিউন করার জন্য একটি ভাল উপায় সরবরাহ করে না তাই সঠিক নয়।
মূলত, আপনার যদি পরীক্ষামূলক ডেটা থাকে তবে আপনি সর্বোত্তম কর্মক্ষমতা অর্জন করতে পারেন। অন্যথায়, আপনি কেবল প্রভাবশালী অবদানকারীর শব্দটি প্রক্রিয়াজাতকরণের সম্ভাব্য শব্দটি ধরে নিয়ে বা কোন ন্যূনতম কর্মক্ষমতা প্রয়োজন তা নির্ধারণ করে (যা সর্বোত্তম নয় তবে কমপক্ষে যা প্রয়োজন তা পেয়েছেন) ভিত্তিতে কেবল প্রক্রিয়া শোনার গণনা করতে পারেন।
মেশিন লার্নিংয়ের ক্ষেত্রে, আমরা একটি সুপ্ত পরিবর্তনশীল মডেলের একটি ইনফারেন্স অ্যালগরিদম হিসাবে কলম্যান ফিল্টারটি দেখি। পরিমাপ দৃশ্যমান, কিন্তু সত্য রাষ্ট্র লুকানো আছে। আপনি এখন সত্যের অবস্থাগুলি অনুমান করতে চান।
যথারীতি, এই পদ্ধতিটি প্যারামিটারগুলির একটি সেটের উপর নির্ভর করে এবং - নীতিগতভাবে - পরামিতিগুলির জন্য সর্বোত্তম পয়েন্ট-অনুমানের উপায়টি হ'ল ডেটার সম্ভাবনা (প্যারামিটারগুলি দেওয়া হয়) এবং আপনার প্যারামিটারগুলি প্রাপ্ত করার জন্য অনুকূল করে তোলা সর্বাধিক মান। এটি আপনাকে সর্বাধিক সম্ভাবনার প্রাক্কলন দেয়।
দুর্ভাগ্যক্রমে, কলম্যান ফিল্টারের ক্ষেত্রে, এই পদ্ধতিটি বন্ধ আকারে করানো এত সহজ এবং জটিল নয়। এটি কারণ আমরা লুকানো রাজ্যগুলি পালন করি না। সুতরাং, কেউ কিছু কৌশল প্রয়োগ করতে হবে। এর মধ্যে একটি হল এক্সপেশন ম্যাক্সিমাইজেশন (ইএম) অ্যালগরিদম, যা একটি পুনরাবৃত্তি পদ্ধতি: প্রথম ধাপে, আপনি আপনার বর্তমান পরামিতিগুলির অধীনে আপনার লুকানো রাজ্যের (প্রত্যাশিত মান) জন্য সর্বাধিক সম্ভাব্য মান গণনা করেন। দ্বিতীয় ধাপে, আপনি লুকানো রাজ্যগুলিকে স্থির করে রাখেন এবং সর্বোচ্চ সম্ভাবনা সহ সমাধানটি পাওয়ার জন্য প্যারামিটারগুলি অনুকূল করেন। এই পদক্ষেপগুলি একত্রিত হওয়া অবধি পুনরাবৃত্তি হয়।
আপনি ইএম এর সাধারণ ধারণাটি মেশিন লার্নিংয়ের পুরো গুচ্ছ পাঠ্য বইয়ে পড়তে পারেন (কেবলমাত্র একটি উদাহরণ: ডেভিড বারবারের "বায়সিয়ান রিজনিং এবং মেশিন লার্নিং" )। লিনিয়ার ডায়নামিকাল সিস্টেমগুলির জন্য পরামিতিগুলি অনুমান করার প্রক্রিয়া (যা আপনাকে কলম্যান ফিল্টার ধরণের মডেল দেয়) জউবিন ঘারমণি এবং জেফ্রি হিন্টনের একটি প্রযুক্তি প্রতিবেদনে ভালভাবে বর্ণনা করা হয়েছে ।
আপনি বার্ট এম। Esskesson, ইত্যাদি দ্বারা "কালম্যান ফিল্টার টিউনিংয়ের জন্য একটি সরঞ্জাম" পড়তে চাইতে পারেন । অল। এটি অটোোকোরিয়ান্স ন্যূনতম-স্কোয়ার (এএলএস) পদ্ধতি বর্ণনা করে।