电气工程 使用卡尔曼滤波器R的时间序列预测和状态空间模型(统计学One Point2

产品的明细 ※现在，产品的信息通过翻译机械翻译，所以内容可以不正确。请贵客原谅。

电气工学
政治・经济・社会
卡尔曼滤波器原本是作为工学领域中的动态系统控制的方法而被提出的，但是后来发现了作为时间序列解析方法的卡尔曼滤波器的有用性。到现在为止，随着各种各样的派生形式的产生，其应用范围不断扩大。分析时间序列数据并进行预测的情况不胜枚举。作为能够满足各种各样的时间序列分析的需求的灵活的时间序列模型的框架，有状态空间模型。状态空间模型的推定作为通过计算机高速进行的计算方法是卡尔曼滤波器。本书主要解说了使用了卡尔曼滤波器的时间序列解析的方法论和数据解析的实践。特别是使用了统计用免费软件R。在考虑了对多种多样的时间序列的对应的解析例子和具体解析代码的例示中，使用了很多的页面。也包含了对身边的数据的解析例子。帮助理解内容。首先，作为事前准备，导入了多变量的概率分布和假定了正规(高斯)分布的状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将观测分布扩展到正规分布以外的非高斯状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将处理观测分布扩展到正规分布以外的非高斯状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将处理观测分布扩展到正规分布以外的非高斯状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将处理观测分布扩展到正规分布以外的非高斯状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将处理观测分布扩展到正规分布以外的非高斯状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将处理观测分布扩展到正规分布以外的非高斯状态空间模型。作为其解析方法，导入了卡尔曼滤波器。并且，对于这些模型，将处理观测分布扩展到一般形。作为其解析方法，导入了卡尔曼滤波器。并且，随着章节的前进，所处理的模型成为一一般化的结构。如果是掌握了概率和统计基础的本科生、研究生十