Filtro de Kalman Extendido y Filtro de Partculas Kalman

Extendido para Problemas de Estimacin No Lineal

Extended Kalman Filter and Extended Kalman Particle Filter for Nonlinear Estimation
Problems

Luis Snchez1 , Joan Ordoez, 2 , Saba Infante3

1 Departamento de Matemticas, FACE.
2 Departamento de Matemticas, Ingeniera.
3 Departamento de Matemticas, FACYT y CAMYTD.
Universidad de Carabobo. Valencia, Venezuela.
lsanchez8@uc.edu.ve, ordonezj@uc.edu.ve, sinfante@uc.edu.ve
Resumen

En este artculo se presenta una metodologia basada en los algortmos: ltro de Kalman extendido y
ltro de partculas Kalman extendido para estudiar el problema de estimacin de parmetros en modelos
dinmicos con estructuras no lineales, pero con errores de observacin Gaussianos, se plantea un modelo
en la forma de espacio estado, donde los estados del sistema no observado son tratados como parmetros,
se utilizan tcnicas recursivas de la inferencia bayesiana para predecir y actualizar la distribucin a
posteriori conjunta o la distribucin marginal de los estados. Ilustramos la propuesta estimando y
reconstruyendo los estados de los mapas de Henon y Lorenz. Adicionalmente se reconstruyen los estados y
las propiedades morfologicas de las seales del modelo sinttico de un electrocardiograma. Los resultados
demuestran que los ltros tienen buen desempeo en la estimacin de los estados. Finalmente se evala
el comportamiento de los algoritmos en trminos de la desviacin estndar emprica y los tiempos de
cmputo CPU, observndose pequeas variaciones en los errores estimados y una rapida ejecucin en
tiempo real.
Filtro de Kalman Extendido, Filtro de Partculas Kalman Extendido, Problemas de
Estimacin no Lineal.
Palabras claves:

Abstract

In this article is presents a methodology based on the algorithms: extended Kalman lter and extended
Kalman particle lter to study the problem of estimating parameters in dynamic models with nonlinear
structures, but with Gaussian observation errors, we propose a model in state space form, where the
unobserved system states are treated as parameters, the recursive techniques of Bayesian inference
are used to predict and update the posterior joint or marginal distribution of the states. We illustrate
the proposed estimating and reconstructing the states of Lorenz and Henon maps. Additionally, is
reconstructed states and morphological properties of synthetic model signals of an electrocardiogram.

The results show that the lters have good performance in estimating the states. Finally evaluating the
behavior of the algorithms in terms of the empirical standard deviation and CPU computation times,
observed small variations in the errors estimates and a fast real-time execution.
Keywords:

1.

Extended Kalman Filter, Extended Kalman Particle Filter, Nonlinear estimation problems.

Introduccin

Un sistema dinmico puede ser descrito por el modelo espacio estado; de la siguiente manera:
xt = Mt (xt1 ) + ut ;
yt = Ht (xt ) + vt ;

ut N (0, Qt )

vt N (0, Rt )

(1)
(2)

La ecuaciones dada en (1) y (2) representa un sistema dinmico, donde: Mt es un operador de transicin
que mapea el espacio de estado dentro del mismo espacio de estado y Ht es un operador que mapea
el espacio de estado dentro del espacio de observaciones. xt X Rn denota al vector de estados
desconocidos en un tiempo t, ut es un error aleatorio de estimacin del estado, yt Y Rn es el
vector de observaciones y vt es un error aleatorio de observacin. El objetivo que nos planteamos en este
problema de estimacin, es obtener el vector de estado a partir de un conjunto de observaciones. Esta
estimacin, en el enfoque bayesiano, implica calcular la distribucin a posteriori conjunta P (x0:t |y1:t ),
donde: x0:t = {x0 , x1 , ..., xt }, y1:t = {y1 , y2 , ..., yt }; o en algunos casos la distribucin marginal P (xt |y1:t ).
El problema anteriormente descrito recibe el nombre de problema del ltrado. En este trabajo se
proponen dos tcnicas para el ltrado de seales, se utilizaran especicamente: el ltro de partculas
Kalman extendido (FPKE) y el ltro de Kalman extendido (FKE), para la reconstruccin de sistemas
dinmicos no lineales sensitivos a las condiciones iniciales, donde estos son slo previsibles en trminos
cortos de tiempo. Para una revisin extensa de los ltros ver: [3] Einicke (2012), [4] Gelb (1974), [8]
Kalman (1960), [9] Kalman y Bucy (1961), [5] Harvey (1990), [14] Roweis y Ghahramani (1999), [2] Chui
y Chen (2009), [10] Liu et al. (2010), [13] Moriya (2011), [18] Spivey et al. (2010), [16] Simn (2006), [17]
Sorenson (1985), [6] Haykin (2002), entre otros.
El resto del artculo es como sigue: en la Seccin 2, se describe el ltro de Kalman extendido; en la Seccin 3
se describe el ltro de particulas Kalman extendido; en la Seccin 4 se dene el problema de estimacin no
lineal; en la Seccin 5 se muestran los resultados obtenidos; y en la Seccin 6 se muestran las conclusiones
de los resultados obtenidos.

2.

Filtro de Kalman Extendido (FKE)

El ltro de Kalman extendido (FKE) resuelve el problema de la estimacin del estado xt generado por un
sistema no lineal, utilizando la expansin de la serie de Taylor que aproxima las ecuaciones no lineales de
estado y de observacin, sobre el valor actual estimado del estado xt ; igualmente, provee un estimado de
la varianza mnima del estado basado en la informacin estadstica sobre el modelo (1) y (2). Supngase
que el vector de ruidos es un proceso Gaussiano de media cero y matrices de varianza covarianzas dadas
por:
E(uj uTt ) = jt Qt

(3)

E(vj vtT ) = jt Rt

(4)

E(vj uTt ) = 0

(5)

para todo j, t. Asimismo, jt es la funcin delta dirac.

El ltro de Kalman propaga los primeros dos momentos de la distribucin xt recursivamente; a travs
de la ecuacin de estado y de observaciones, luego el FKE actualiza lo estimado del vector estado y
de la covarianza. La actualizacin es llevada acabo a travs de la matriz de ganancia de Kalman K, la
cual minimiza la suma ponderada de los elementos de la diagonal principal de la matriz de covarianza
(minimiza la varianza). Supngase que se tiene el siguiente sistema dinmico:

xt = ft (xt1 ) + ut1
yt = ht (xt ) + vt
ut (0, Qt )
vt (0, Rt )

(6)

Linealizando la ecuacin de estado alrededor de xt1 = x+

t1 , se obtiene lo siguiente:
ft1
| + (xt1 x
+
t1 )
x xt1
= ft1 (
x+
+
t1 ) + Ft1 (xt1 x
t1 )


= Ft1 xt1 + ft1 (
x+
+
t1 ) Ft1 x
t1

xt = ft1 (
x+
t1 ) +

= Ft1 xt1 + u
t1

(7)

donde:
Ft1 =

ft1
| +
x xt1

(8)

La seal conocida ut es dada por:

(9)

u
t = ft (
x+
+
t ) Ft x
t

Linealizando la ecuacin de observacin alrededor de xt = x

t y haciendo vt = 0, se obtiene:
ht
ht

|x (xt x
| vt
t )+
t
x
v xt
= ht (
x

t ) + Ht (xt x
t ) + Mt v t


= Ht xt + ht (
x

t ) Ht x
t + M t vt

yt = ht (
x
t )+

(10)

= Ht xt + zt + vt

donde:
Ht =

ht
|
x xt

(11)

Mt =

ht
|
v xt

(12)

y
Las seal conocida zt y la seal de ruido vt son denidas como sigue:
zt = ht (
x

t ) Ht x
t

(13)

vt (0, Rt )

(14)

y
Entonces se tiene una representacin espacio estado lineal en las ecuaciones dadas por (7) y (10). Esto
implica que se pueden usar las ecuaciones estndar del ltro de Kalman para estimar los estados. Usando
las ecuacin del ajuste lineal de Bayes dadas en [15] Snchez e Infante (2013), se obtienen las ecuaciones
para el ltro de Kalman extendido en tiempo discreto como sigue:
+
T
Pt = Ft1 Pt1
Ft1
+ Qt1

Kt = Pt HtT Ht Pt HtT + Rt

1

x+
t = ft1 (
t1 )

(15)

zt = ht (
x

t ) Ht x
t
x
+

t =x
t + Kt (yt Ht x
t zt )


=x

x
t + Kt yt ht (
t )
Pt+ = (I Kt Ht )Pt

Entonces el FKE se resume como sigue:

4

(16)

Paso 1

El sistema de ecuacin de observacin y ecuacin de estado es dado como sigue:

xt = ft1 (xt1 ) + ut1
yt = ht (xt ) + vt
ut N (0, Qt )

(17)

vt N (0, Rt )
Paso 2

Se inicializa el ltro como sigue:

x
+
0 = E(x0 )


T
P0+ = E (x0 x
+
+
0 )(x0 x
0)

Paso 3

Para t = 1, 2, . . . , se ejecuta lo siguiente:

Se calcula la siguiente matriz de derivadas parciales:
Ft1 =

ft1
| +
x xt1

Se realiza la actualizacin del estado y la covarianza estimada como sigue:

+
T
Ft1
+ Qt1
Pt = Ft1 Pt1

x+
t = ft1 (
t1 ) + ut1

Luego se calcula la siguiente matriz de derivadas parciales:

Ht =

ht
|
x xt

Ahora se actualiza la ecuacin de observacin usando los estados estimados y la covarianza

estimada como sigue:
Kt = Pt HtT Ht Pt HtT + Rt


x
+

x
t =x
t + Kt yt ht (
t )
Pt+ = (I Kt Ht )Pt

1

3.

Filtro de partculas Kalman extendido (FPKE)

El mtodo de ltro de partculas Kalman extendido (FPKE) consiste en considerar una distribucin
propuesta que se utiliza para aproximar la distribucin de importancia. La tcnica se basa en la expansin
de series de Taylor de primer orden de la distribucin de transicin y de la distribucin de importancia;
adems, supone una distribucin Gaussiana para todas las variables aleatorias consideradas. En un marco
recursivo propaga la aproximacin Gaussiana de la distribucin a posteriori durante el tiempo y combina
esto en cada paso del tiempo con la nueva observacin. En este sentido, el mtodo ltro de partculas
Kalman extendido puede ser resumido como sigue:
Paso 1 Inicializacin:

En un tiempo t = 0

1. Para i = 1, . . . , N ; muestrea x(i)

0 p(x0 ).
2. Para i = 1, . . . , N ; muestrea w0(i) p(y0 |x(i)
0 ). Luego se normalizan los pesos:
(i)

w
(i)
w
0 = P 0
N

(j)
j=1 w0

Paso 2 Prediccin y actualizacin:

Para t 1, se tiene:

1. Para i = 1, . . . , N ; se actualizan las partculas con el algoritmo FKE.

(i)

(i)

x
t|t1 = f (xt1 )
(i)

(i)

(i)

(i)

Pt|t1 = Ft Pt1 (Ft1 )T + Qt

 h
i1

(i) (i)
(i)
(i)
(i) T
i
Ht Pt|t1 (Ht )T + Rt
Kt = Pt|t1
Ht
h
i
(i)
(i)
(i)
(i)
x
t = x
t|t1 + Kt yt h(
xt|t1 )

(18)

(i)
(i) (i)
(i)
Pt = (I Kt Ht )Pt|t1

2. Para i = 1, . . . , N ; se muestrea de la densidad de importancia como sigue:



(i)
(i)
(i)
xt N x
t , Pt

3. Para i = 1, . . . , N ; se muestrea:
(i)

(i)

(i)

wt p(yt |xt )w
t1

y luego se normalizan los pesos de importancia:

(i)

(i)
w
t

wt

=P
N

(j)
j=1 wt

4. Si el tamao de muestra efectivo NT M E es menor que un cierto umbral denido por [15] Snchez e
Infante (2013) como NU = N2 , esto es:
T M E = P 1
N
< NU
(i) 2
N
(
w

)
t
i=1
o
n
o
n
(i)
(i) 1
,
y
se
obtiene
un
nuevo
conjunto
x
,
con
se remuestrea, a partir de la poblacin x(i)
,
w
t
t
t
N

pesos uniformes.
El conjunto de muestras que es usado para aproximar la distribucin a posteriori y calcular
la media y la covarianza es:

Paso 3 Salida:

p(xt |y1:t ) =

N
X

(i)

(i)

w
t (xt xt )

i=1

x
t = E(xt |y1:t )

N
X

(i) (i)

w
t xt

i=1
N
X

Pt = C(x0:t |y1:t )

(i)

(i)

(i)

(i)

(i)

w
t (
xt xt )(
xt xt )T

(19)

i=1

Para validar los resultados obtenidos se usar como medida de adecuacin, la desviacin estndar emprica,
denida por:

1
2
N
M
q
1 X 1 X (j)
(j) 2
V ar(xt|l ) =
(xt|l xt )
N
M
t=1

(20)

j=1

(i) j,(i)
N
t|l xt , es el estimador
donde: x(j)
es el estado verdadero para la jsima simulacin; x(j)
t
i=1 w
t|l =
Monte Carlo de xt|t = E(xt |y1:t ) para la jsima seal de prueba; xj,(i)
es la isima trayectoria simulada
t
(i)
(i)
asociada con la seal j ; y wt|t = wt es el peso de importancia.

4.

Problema de Estimacin No Lineal

El escenario considerado a demostrar la estimacin usando el FKE y FPKE, es reconstruir los estados de
los siguientes modelos:
1. Mapa de Henon ([7] Hnon (1976)):
xt+1 = yt + 1 ax2t + ut
yt+1 = bxt + vt

donde: a, b, son parmetros, ut Np (0, u2 ), y vt Np (0, v2 ) son mutuamente independiente.

7

(21)

2. Mapa de Lorenz ([11] Lorenz (1963)): es un sistema acoplado de ecuaciones diferenciales no lineales
para explicar la dinmica del ujo:
x = s(y x)
y = rx y xz

(22)

z = xy bz
dy
donde: s, r, b son parmetros y x = dx
dt , y = dt , z =
una posicin de las partculas en el espacio de fase.

dz
dt .

El vector de estado x = (x, y, z)T representa

3. Modelo Sinttico del Electrocardiograma (ECG) ([12] McSharry et al. (2003)): es un modelo denido
por un conjunto de tres ecuaciones diferenciales ordinarias:
dx
= x
dt
dy
= y + x
dt
X
dz
=
dt

iP,Q,R,S,T

2
ai i exp 2i
2bi



(z z0 )

(23)

donde: = 1 x2 + y 2 , i = (i )mod2 , = atan2(y, x), [, ], = 2f es la velocidad

angular de la trayectoria, y f es la frecuencia entre latidos del ritmo cardaco.
p

5.

Resultados

En este trabajo se implementaron los siguientes algoritmos: FKE y FPKE, en dos modelos caticos de:
Henon y Lorenz, adems se adaptaron algunas estrategias de computo para fltrar las seales que se generan
de un electrocardiograma sinttico; es decir, estimar y reconstruir la morfologa de las ondas generadas por
el modelo sinttico. Tambin se reconstruyen las ondas generadas por seales de un electrocardiograma
real tomada de un individuo sano. En primer lugar, se consider el modelo dado en (21); suponiendo
= (a, b, u2 , v2 ) conocidos y los estados x0:t desconocidos. En este estudio no se posee informacin
sobre las observaciones reales del sistema y1:t (variables observadas), entonces se supone que los datos se
obtienen usando el modelo lineal yt+1 = 0.3xt + t ([1] Bremer y Kaplan (2001)), con x0 = 1, y1 = 0,
t N (0, 0.001). Una vez obtenida la muestra observada, se procede con la inicializacin de los parmetros
requeridos por los distintos algoritmos propuestos. Para inicializar los ltros se tomaron las especicaciones
+
+
a priori: para el FKE xb+
b+
0 = 0.6314, P0 = 1, Qt = 0.01, Rt = 0.01 y para el FPKE x
0 = 0.6314, P0 = 1,
Qt = 0.49, Rt = 0.01. Los parmetros fueron elegidos como: a = 1.4 y b = 0.3, para hacer ms sencillo el
trabajo (ellos tambin pueden estimarse mediante est metodologa). Tambin se evalu la ecacia de cada
algoritmo, a travs de la desviacin estndar emprica (DEE); y el tiempo de ejecucin (TE) de cada ltro.
Los algoritmos fueron implementados en el ambiente de programacin Matlab en un Pentium DualCore 2,8 GHz. En el gura (1), se muestra el mapa verdadero de Henon conjuntamente con las medias
8

a posteriori estimadas por el FKE y el FPKE. Se observa que los ltros se ajustan casi perfectamente al
mapa original.
En la tabla (1) se muestra un resumen de la desviacin estndar emprica de 1000 simulaciones de longitud

Figura 1: Algoritmos FKE y FPKE para el modelo de Henon

N = 50, 100, 150, 200 y el tiempo de ejecucin de los algoritmos para el modelo de Henon, no se observa

diferencias signicativas en los errores estimados para los distintos tamaos de muestras, pero si en los
tiempos de ejecucin.
En segundo lugar, se consider el modelo dado en (22). El modelo fue discretizado por el mtodo de Euler
q
V ar(xt|t )

FKE

FPKE

N=50
1.0232
0.8732
N=100
1.0176
0.8596
N=150
1.0247
0.8617
N=200
1.0149
0.8603
CPU Time (seg) 0.010310 1.597840
Tabla 1: Comparacin de la desviacin estndar emprica: modelo Henon.

de primer orden, considerado xt = xt1 + hf (xt1 ), con un paso de tamao h = 0,009. La ecuacin de

evolucin discretizada es:

xt+1 = xt + h(s(yt xt )) + ut
yt+1 = yt + h(rxt yt xt zt ) + vt

(24)

zt+1 = zt + h(xt yt bzt ) + wt

2 ). En cada paso del tiempo t, las observaciones se

donde: ut N (0, u2 ), vt N (0, v2 ) y wt N (0, w
generan a travs de una ecuacin de observacin lineal ([13] Snchez e Infante (2013)):

yt = xt + t
+ + T
T
2
donde: yt = (x+
t , yt , zt ) , xt = (xt , yt , zt ) , y t N (0, I), 0 es un vector de ceros, e I es la matriz
identidad. Para inicializar los ltros, se tomaron las especicaciones a priori: para el FKE

0.2294

x
b0 = 1.6360
,
20.81

Qt =

0.01

0.01

0.01

1 0 0

,
P0+ =
0
1
0

0 0 1

Rt =

0.01

0.01

0.01

y para el FPKE:

0.2294

+
,
x
b0 =
1
.
6360

20.81

1 0 0

,
P0+ =
0
1
0

0 0 1

,
Qt =
0
1
0

0 0 1

1 0 0

Rt =

104

104

104

En el grco (2) se muestra el verdadero modelo de Lorenz, conjuntamente con las medias a posteriori de
los estados estimados por FKE y el FPKE, en los casos se observa buena aproximacin de los algoritmos
en la reconstruccin del modelo catico verdadero.
En la tabla (2) se muestra un resumen de la desviacin estndar emprica de 1000 simulaciones de
longitud N = 50, 100, 150, 200 y los tiempos de ejecucin de los algoritmos en la estimacin a posteriori
de los estados x0:t para el modelo de Lorenz; en la tabla no se observan diferencias signicativas en los
errores, pero si en los tiempos de ejecucin.
10

Figura 2: Algoritmos FKE y FPKE para el modelo de Lorenz

q
V ar(xt|t )

FKE

FPKE

N=50
7.7864
7.7954
N=100
7.7984
7.7949
N=150
7.7866
7.7956
N=200
7.8004
7.7955
CPU Time (seg) 0.015159 3.278230
Tabla 2: Comparacin de la desviacin estndar emprica: modelo de Lorenz.

En tercer lugar, se consider el modelo dado en (23) para la reconstruccin de una seal de ECG sinttico
de [12] McSharry et al. (2003). El modelo sinttico considerado fue discretizado por el mtodo de Euler de
primer orden, considerado xt+1 = xt + hf (xt ), con un paso de tamao h = 0.003. La ecuacin de estado
o de evolucin discretizada resultante es:
xt+1 = xt + h (xt yt ) + u1t
yt+1 = yt + h (yt + xt ) + v1t



2
X

zt+1 = zt + h
ai i exp 2i (zt z0 ) + et
2bi

(25)

iP,Q,R,S,T

2 ), v
2
2
donde: u1t N (0, u1
1t N (0, v1 ), y et N (0, e ). Por lo general no se disponen de las
observaciones experimentales del sistema dinmico que se quiere estudiar, entonces las observaciones

11

requeridas para evolucionar se generan a travs de una ecuacin de observacin lineal sinttico (ecuacin
de observacin) como lo seala [13] Snchez e Infante (2013); es decir:
rt+1 = xt + t

donde: rt = (xt , yt , zt )T , xt = (xt , yt , zt )T , y t N (0, 2 I), 0 es un vector de ceros, y donde la matriz I

es la matriz identidad. Para inicializar los ltros, los valores iniciales para FPKE fueron los siguientes:
0

x
+
0 = (1, 0, 0 04) ,

Qt =

0,00001

0,00001

0,00001

P0+ =

0.000001

0.000001

0.000001

0.000001

0.000001

0.000001

Rt =

Los valores iniciales para FKE fueron, los siguientes:

x
+
0 = (1, 0, 0 04) ,

Qt =

0.001

0.001

0.001

P0+ =
0 1 0
0 0 1

1 0 0

Rt =

0.0001

0.0001

0.0001

En la gura (3), se muestra la morfologa que describe los cinco extremos de las ondas P, Q, R, S, y T en
el crculo unitario generado por el modelo sinttico dado en (25), conjuntamente con los valores estimados
por los algoritmos FKE y FPKE, observndose similitud entre picos simulados y los picos estimados.
En la gura (4) se muestra el electrocardiograma generado por el modelo sinttico verdadero,
conjuntamente con las medias a posteriori de los estados estimados por el FKE y FPKE, en el grco se
observa una buena aproximacin de los algortmos propuestos con respecto al modelo sinttico.
En la tabla (3) se muestra un resumen de la desviacin estndar emprica para N = 5000 partculas
de longitud M = 200 usando el modelo sinttico del ECG y se estim la desviacin estndar emprica
del estado de la variable de inters z , en la tabla no se observan diferencias signicativas en los errores
estimados, es decir; la diferencia entre el valor real y el valor estimado es mnima.

12

Figura 3: Reconstruccin de trayectorias: ECG sinttico, FPKE y FKE.

Figura 4: ECG sinttico y medias a posteriori estimadas por FPKE y FKE

Filtros
FPKE
FKE
DEE(z)
0.0026
0.0024
CPU Time (seg) 52.701691 0.472046
Tabla 3: Comparacin de la desviacin estndar emprica: modelo sinttico simulado.
Posteriormente y para validar los resultados simulados, se ajusto el modelo sinttico ECG, pero ahora
usando datos reales tomados sobre un individuo sano disponible en la base de datos physionet que se
encuentra en http://www.physionet.org/physiobank/database/nsrdb/, donde la frecuencia de muestreo
13

fue de 125Hz, la frecuencia cardaca media fue de 1.2Hz o 72 latidos por minutos. Para inicializar los
ltros, los valores iniciales a priori para FPKE fueron los siguientes:

x
+
0 = (1, 0, 0 04) ,

0.7

Qt =
0
0

0.7
0

0.1

P0+ =
0
0

0.7

0.1
0

0.1

Rt =
0
0

0.1

0.1
0

0
,
0.1

Los valores iniciales a priori para FKE fueron los siguientes:

0.1

Qt =
0
0

0.1
0

0.1

P0+ =
0 1 0
0 0 1

x
+
0 = (1, 0, 0 04) ,

1 0 0

0.1

Rt =
0
0

0.1
0

0
,
0.1

En la gura (5) se muestra una representacin de la seal generada por el modelo sinttico con datos reales,
conjuntamente con las medias a posteriori de los estados estimados por los algortmos FKE y FPKE se
observa que los valores estimados y valores reales tienen el mismo patrn.
En la tabla (4) se muestra un resumen de la desviacin estndar emprica para el modelo sinttico con
datos reales del ECG, no se observan diferencias signicativas en los errores estimados.
Filtros
FPKE
FKE
DEE(z)
0.3176
0.3166
CPU Time (seg) 73.973548 0.568541
Tabla 4: Comparacin de la desviacin estndar emprica: modelo sinttico individuo sano.

14

Figura 5: ECG real, FPKE y FKE

6.

Conclusiones

En este artculo se implementaron los algoritmos: ltro de Kalman extendido y ltro de partculas Kalman
extendido para tratar los problemas de estimacin de parmetros (estados) en problemas que tienen
comportamientos no lineales. En particular, se consideraron tres estructuras conocidas como: el mapa de
Henon, el modelo de Lorenz y el modelo sinttico de un electrocardiograma. Se estimaron los estados y se
reconstruyeron los atractores generados por los sistemas de Henon y Lorenz, y para el modelo sinttico se
reconstruyo la morfologa de las ondas P, Q, R, S y T. Se compar el modelo sinttico con datos simulados
y con datos reales. En este estudio se demuestra que los ltros propuesto son una alternativa vlida para
la estimacin eciente de los estados en sistemas dinmicos no lineales, y a bajo costo computacional.
Adicionalmente se estim la desviacin estndar emprica como medida de calidad de estimacin de
los ltros, observndose poca variabilidad. Tambin se estim los tiempo de ejecucin de los algoritmos
obteniendose diferencias signicativas entre FPKE y el FKE.
Agradecimientos

Esta investigacin fue parcialmente nanciada por el Consejo de Desarrollo Cientco y Humanstico de
la Universidad de Carabobo, proyecto CDCH HM 0462 10.
7.

Referencias

[1] Bremer, C., Kaplan, D., 2001. Markov chain monte carlo estimation of nonlinear dynamics from time

series. Physica D 160, 116 126.

15

[2] Chui, C, and Chen, G. (2009). Kalman Filtering With Real-Time Applications. Springer Ser. Info.Sci.,

Fourth Edition. Springer, Berlin, Heidelberg.

[3] Einicke, G.A. (2012). Smoothing, Filtering and Prediction: Estimating the Past, Present and Future.

Rijeka, Croatia: Intech. ISBN 978-953-307-752-9.

[4] Gelb, A. (1974). Applied Optimal Estimation. MIT Press.
[5] Harvey, A.C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge

University Press.
[6] Haykin, S. (2002). Adaptive Filter Theory. Prentice Hall.
[7] Hnon, M. 1976. A two-dimensional mapping with a strange attractor. Communications in

Mathematical Physics 50 (1): 6977.

[8] Kalman, R.E. (1960). .A new approach to linear ltering and prediction problems". Journal of Basic

Engineering 82 (1): 3545. Retrieved 2008-05-03.

[9] Kalman, R.E.; Bucy, R.S. (1961). New Results in Linear Filtering and Prediction Theory. Retrieved
2008-05-03.
[10] Liu, W.; Principe, J.C. and Haykin, S. (2010). Kernel Adaptive Filtering: A Comprehensive

Introduction. John Wiley.

[11] Lorenz, E. (1963). Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences, volumen
20, January 7.
[12] McSharry, P; Cliord, G; Tarassenko, L; and Smith, L. (2003). A dynamical model for generating

synthetic electrocardiogram signals. IEEE Transactions on Biomedical Engineering, Vol. 50, 3,

289 294.
[13] Moriya, N. (2011). Primer to Kalman Filtering: A Physicist Perspective. New York: Nova Science

Publishers, Inc. ISBN 978-1-61668-311-5.

[14] Roweis, S.; Ghahramani, Z. (1999). A Unifying Review of Linear Gaussian Models. Neural

Computation 11 (2): 305 345. doi:10.1162/089976699300016674. PMID 9950734.

[15] Snchez, L.; and Infante, S. (2013) Reconstruction of Chaotic Dynamic Systems Using Non-Linear

Filters. Chilean Journal of Statistics. Aceptado, por aparecer en prensa.

[16] Simon, D. (2006). Optimal State Estimation Kalman, H , and Nonlinear Approaches.John Wiley and

Sons, publication. Structural Dynamical Systems,Indian Institute of Science, Bangalore.

[17] Sorenson, H. (1985). Kalman Filtering: Theory and Application , Los Alamitos, CA: IEEE Press.

16

[18] Spivey, Ben; Hedengren, J. D. and Edgar, T. F. (2010). Constrained Nonlinear Estimation for

Industrial Process Fouling. Industrial and Engineering Chemistry Research 49 (17): 78247831.
doi:10.1021/ie9018116.

17