0 赞 0 踩
其他回答
伟大的学者 如牛顿 如卡尔曼 研究的是问题的本质 而不是弄个model和观察到的现象差不多就行了。 而引入不必要不相关的假设是不能帮助发现本质的。
举个例子,托勒密研究行星模型的时候,并不考虑其运动的实质,而是假设他们的轨道是圈圈套圈圈,最后他弄了几十个圈圈套在一起的模型以后,发现和天文观测的结果差不多了。那天体运动的实质呢?没人知道。 后来牛顿在几个经典力学公理的前提和万有引力公理下,用数学证明了太阳引力下其他天体的运动会是圆锥曲线 这个问题就漂亮的解决了。牛顿解决这个问题是因为他从问题的本质入手的(基本公理+数学演绎)。
用今天的话说,托勒密就在搞machine learning,圈圈套圈圈叫model, 天文学的观测结果就是data set,托勒密做了个人工learning凑了下模型结构和参数,并在测试集上做了验证。
说到ML和kalman filter,一个很大的问题就是统计学的咸猪手 越深越长 许多cs的论文,似乎已经默认所有扰动,输入变量,都是随机变量,所以有统计特性。于是之后的讨论完全在统计学的框架下做。这就是一个最大最肤浅的假设。难道说如果输入数据不是随机变量,整个算法就垮了吗? 如今好多cs的材料上讲kalman filter, 都用graph model和贝叶斯估计以及高斯分布来解释。然而我们没理由认为观测中的扰动和不确定项是个随机过程。事实上能观的条件下,卡尔曼观测器的严李雅普诺夫函数保证了输入状态稳定,这个结论只依赖于扰动的范数有界和能观性,因此要本质的多。然而似乎随着毕业博士生的不断增多,整个学界越来越以论文驱动,许多人争相恐后发论文的时候,追求问题本质的学术思维也就没有了。
REX.X 1小时前 0条评论 0 赞 0 踩
卡尔曼是个严谨的数学家吧,大概就是这个意思。感觉卡尔曼这个人做事很认真的。 程诺博 1小时前 0条评论
0 赞 0 踩
登录后可回答 提交回答
关键词 :
- 上一个:孩子缺钙的危害很也?补钙吃什么好啊~
- 下一个:怎么电影里来较经典的对白或者演讲?
推荐资讯
点击排行