パラメータ推定（１）最小二乗法 - Qiita
\begin{bmatrix} v_1 & \dot v_1 \\ v_2 & \dot v_2 \\ v_3 & \dot v_3 \\ \vdots & \vdots \end{bmatrix} \begin{bmatrix} m \\ b \end{bmatrix} = \begin{bmatrix} f_1\\f_2\\f_3 \\ \vdots \end{bmatrix} こんな感じになります．サンプリング数を$n_s$とすれば，上の式の行列の行数が$n_s$になります．この式を単純に $$Y\Theta=F$$ とまとめましょう．ここで$Y\in\mathbb{R}^{n_s\times 2}$は観測値行列，$\Theta\in\mathbb{R^2}$が求めたいパラメータの行列，$F\in\mathbb{R}^{n_s}$が入力値行列になります．$Y$と$F$は既知ですので，
C++ 線形カルマンフィルタのプログラム的アルゴリズム - Qiita
背景 カルマンフィルタについて勉強する機会があったので、まとめたいと考えました。 カルマンフィルタには線形モデルと非線形モデルに大きく分けられます。 今回は線形モデルをC++で実装したいと思います。 制御工学において、カルマンフィルタは基礎的な手法であるのにもかかわらず、 いざ取り掛かってみると、概要は理解できたものの、自信で使いこなすのには苦労します。（私は苦労しました。凡人なので。） もし勉強している人がいるのであれば、 こちらでアルゴリズムを学び、実装できるきっかけになると私は嬉しいです。 また線形カルマンのC++のコードはpythonやRに比べて非常に少なく、 この点においても苦労した要因かなと思います。 あとmarkdown法で記述したかったのですが、時間の都合上できませんでした。 実装環境 window 10 64bit visual studio 2017 言語 C++ 行列
[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary
概要 まだ日本語情報の少ない KFAS を一連の状態空間モデルネタの続きとして紹介する. KFAS には一番良く使われている dlm パッケージよりも優れた点がいくつもある. 前回のように, パッケージの理念・構文・具体例を用いた実験を順に紹介していく. 状態空間モデルを扱う Rパッケージの中では dlm が最も有名だが, これは名前の示すように動的線形モデル dynamic linear model, すなわちノイズが正規分布になる, ガウシアン線形状態空間モデルしか扱うことができない. これに対して KFAS の長所はいくつもあり, 特に正規分布いがいの分布も扱うことができるという点は特筆すべきである. なお, KFAS を日本語で紹介している文献は, 伊東先生の発表スライド, Rパッケージ“KFAS”を使った時系列データの解析方法 from Hiroki Itô 伊東 (2017,
![[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/55dde84011f89d2bb3b373c108a980d209ee20e8/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20180811%2F20180811000928.png)
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
JSME-JT
FUSE_53813.pdf