超球面模型第八讲 白-杰时间链( 3 ):谈‘确定性在邻域’(下) 在上篇博文里, 我们是用多元向量 A 、 B 、 C 、 D 来表示系统连续的四个状态。但,后来我们定义了实测 D 和期望 E 。所以我们需要把符号统一一下,改用时间下标 k-1 , k , k+1 ,和 k+2 来表示不同的时间状态。则上篇博文里的表8-1成为: 样本实测值 D k-1 D k D k+1 D k+2 … 系统状态转移 (变化趋势) D k-1 /D k-1 D k /D k-1 D k /D k-1 D k /D k-1 … 系统预测值 D k-1 D k D k ^2/ D k-1 D k ^3/ D k-1 ^2… 修正一虽然纠正了使用切线的问题,但仍然没有摆脱‘确定论’ 的弊病 : 用初始条件(这里是最初的状态转移)延续到永远,而忽视了‘过程’。 于是,我们有修正第二: 确定性在邻域,用跟踪实测来随时校正我们的预测。 在我们的系统监测整个过程中,时时都是初始(发起预测),刻刻都是终结(验证预测)。随时、步步用实测数据校正预测,并贯穿整个系统监测过程。我们称此为: 确定性在邻域 。 这样一来,我们需要有三个向量来描述系统的状态:实测值( D ),预测值 ( P ),和期望值 ( E ) 。其中,实测值和预测值意义自明。而期望值是这样定义的: 期望是预测和实测的(加权)平均: E k = ( P k + D k ) /2 (8-6) 其中: D k 是时间 k 时根据实测样本对系统的估计。 P k 预测值,是在时刻 k-1 根据当时的信息用‘系统状态转移’对邻域(时间 k )的系统状态的估计(它在其它文献里的符号是 P k-1|k 。因为对给定的时间,邻域是唯一确定的,所以我们用现在的符号简化它)。 E k 是预测和实测的平均,是我们对系统状态在时刻 k 的期望。 我们假定(并可以证明),‘期望’比‘预测’或‘实测’更能代表系统的真实状态。它不但包括了实测和预测的信息,而且包括了历史的信息。这里暂时按下不表。 引入期望值后,我们也如法炮制列表8-1如下: 样本实测值 D k-1 D k D k+1 D k+2 … 变化趋势 D k-1 /D k-1 D k /D k-1 (D k ^2/D k-1 +D k+1 )/2/D k … 系统预测值 D k-1 D k D k ^2/ D k-1 … 系统期望值 D k-1 D k (D k ^2/D k-1 +D k+1 )/2 … 在时间 k 时, D k 是始点,我们用 D k-1 和 D k 两处的信息预测 D k+1 , D k+1 是终点 ; 到 D k+1 时,我们以 D k+1 为始点,用 D k-1 , D k ,和 D k+1 的信息预测 D k+2 , D k+2 是终点 ; 到 D k+2 时, … 这样,我们在系统监测的整个过程中,每个时间段都做预测,届时再取样,用实测值来跟踪、修正我们的预测,完成一个循环。这种循环贯彻整个系统监测的全过程。 我们这里关于‘确定性在邻域’的讨论,有点像俗话说的‘摸着石头过河’,走一步说一步。然而,更深入的讨论告诉我们,‘所摸过的石头’的信息都保存在系统里,系统是有记忆的。 这是科罗拉多州立大学的 Donald A Jameson 教授教的。他在给我们讲课时,称这种方法为 Kalman Filter 。我曾经自以为是地音译做 ‘卡门滤波’(白, 2001 )。 后来有数学专业的同学告诉我,正确的翻译是‘卡尔曼滤波’。并建议:你现在的做法最好不要称‘卡尔曼滤波’,因为‘卡尔曼滤波’是一个很成熟的,很复杂的方法,数学手册里有整整三页专门介绍。如果你的研究以后真地成了气候,被大家接受,则可以称作是‘简易向量版’的‘卡尔曼滤波’。但现在最好不要提,免得被认为是拉大旗做虎皮。 不叫‘卡尔曼滤波’,叫什么呢?既然是杰木森教授首先引入草原监测的,在我的博客里今后就叫‘杰 - 白滤波’吧。恰好我的汉名叫白捷(‘白图格吉扎布’的音译)。 未完待续。 白-杰 时间链 超球面模型第八讲的链接: 白-杰时间链( 1 ) ‘ 上帝不掷骰子 ’ 白杰时间链( 2 ):议拉普拉斯向量方程 白杰时间链( 3 )确定性在邻域(上) 白杰时间链( 3 )确定性在邻域(下) 白杰时间链( 4 )推导与命名 超球面模型第八讲( 5 )两不同来源数据的不同权重