Всем привет.
Есть такая задача - нужно объединить данные, полученные как минимум двумя способами (комплексированием наверно не назовешь, но что-то типа того). А если точнее - есть 2 (минимум) алгоритма, результаты работы которых в силу их особенностей несколько отличается, каждый алгоритм по своему врет. Кроме того, часто бывает ситуация что один алгоритм в целом работает точно, но периодически сбоит - дает выпадения, другой сбоит в другие моменты времени. Выходные данные (они же входные для алгоритма объединения, который мне и нужно сделать) - 6 меняющихся во времени величин - 3 координаты и 3 угла. Как-то нужно все это дело объединить так, что бы получить наиболее правдоподобные данные. Простое усреднение по методам не подходит, нужно как-то вычислять заведомо неверные данные. Что в такой ситуации лучше всего работает.

Если частота выбросов не большая, то самое простое посчитать редуцированное среднее. Проще говоря, из трех значений отбрасывается одно максимально удаленное от двух других. Этим фильтром проходите по всему массиву и по оставшимся 2/3 считаете простое среднее. Тем самым, Вы из не симметричного распределения делаете что-то похожее на гаусс. А в целом, надо понять статистику Ваших "сбоев" и критерий, что называется "правильным значением", а тогда будет понятно как резать лишнее.

tvv
Спасибо за ответ.
Попробую прояснить ситуацию, на примере (это часть задачи). Есть последовательность картинок (фото), на которых перемещается объект. Разные алгоритмы определяют координаты объекта (или характерных точек) по разному. Некоторые алгоритмы могут вообще "терять" эти самые характерные точки. Правильность вычисления координат можно определить визуально.

Сообщение отредактировал radist_bgtu - Dec 24 2007, 00:36

Проблема так и не решена. Так что, если у кого имеются какие-либо идеи, поделитесь ими, пожалуйста.

Это задача не фильтрации, но предсказания. Каждый алгоритм надо сопроводить предсказателем, который наблюдая за последовательностью предыдущих отсчётов выдаёт предсказание положения точек.

Поясню на примере. Предположим, есть некий алгоритм который определяет положение глаз в видео-ряде. До тех пор, пока человек смотрит прямо в камеру, алгоритм работает нормально. Но вот человек начинает поворачивать голову… Как только в кадре человек в профиль, алгоритм будет выдавать только один глаз. Задача предсказателя в этом случае – знать о том, что глаза два (он видел предыдущие кадры) и примерно говорить, где находится второй (он видел на предыдущих кадрах зависимость координат от скорости движения, так что может предсказать положение второго глаза в зависимости от скорости передвижения видимого).

В случае известных объектов можно не заморачиваться на абстрактные предсказатели, а сделать модель, управляемую наблюдаемыми параметрами.

Несмотря на некоторую сумбурность моего изложения этот подход проверен на практике и показывает прекрасные результаты.

sK0T

Мне все-таки кажется, что этот подход больше применим для real-time систем. В моем случае обработка ведется уже готовых данных, и уже известно (пусть и не точное) положение в каждый момент времени, а не только в данный момент и предыдущие отсчеты времени.
А есть какое-нибудь готовое решение, хорошо работающее в таких случаях? Что-то я сходу ни каких моделей предсказателей не нашел.

Ну а что тогда мешает воспользоваться мат. статистикой, где всё это хорошо разработано? Всякие там выбросы, распределения и т.п.?

Если это координаты движущегося объекта, то можно утверждать, что у него есть инерция, следовательно выбросы координат легко находятся. Если скорость на двух соседних кадрах отличается от скорости на предыдущей и последующей парах, то значит она посчитана не верно и надо её привести в соответствие. Ну и так далее, зависит уже от конкретики задачи. Скажем координаты одного человека на статическом фоне не могут меняться скачком так, что средняя скорость будет больше пяти км/ч. ;-)