Python Pykalman filter.update（）批处理vs循环

我已经建立了一个卡尔曼滤波函数，它基本上实现了以下功能：

import numpy as np
from pykalman import KalmanFilter

x_is = np.random.randn(100) #In sample data

x_oos = np.random.randn(50) #Out of sample data

kf = KalmanFilter(transition_matrices = [1],
        observation_matrices = [1],
        initial_state_mean = 0,
        initial_state_covariance = 1,
        observation_covariance=1,
        transition_covariance=.01)

state_is_means, state_is_covs = kf.filter(x_is)

ism, iscovs = state_is_means.flatten(), state_is_covs.flatten()

#Option2: loop
kf = KalmanFilter(transition_matrices = [1],
        observation_matrices = [1],
        initial_state_mean = 0,
        initial_state_covariance = 1,
        observation_covariance=1,
        transition_covariance=.01)

state_is_means, state_is_covs = kf.filter(x_is) #Repeating to re-obtain the same KF before update

ism2, iscovs2 = state_is_means.flatten(), state_is_covs.flatten() #Same as ism, iscov

oos2m, oos2cov = np.asarray(state_oos_means).flatten(), np.asarray(state_oos_means.copy().flatten())
prevm, prevc = ism2[-1], ism2[-1]

for idx in range(len(x_oos)):
    
    oos2m[idx], oos2cov[idx] = kf.filter_update(prevm,prevc,x_oos[idx])
    
    prevm, prevc = oos2m[idx], oos2cov[idx]

因此，在sample中使用，过滤器返回状态的均值和协方差（在sample中）

现在：假设样本数据中有

xoos

。我想使用估计的卡尔曼滤波器，使用

Filter\u update（）

更新它

我确信，在循环中使用函数

filter\u update（）

，我会得到我想要的实际结果（逐步估计状态均值和COV，在每个时间步更新）

但是，我想对一批数据使用

filter\u update（）。但当我这么做的时候：

oos1m, oos1c = kf.filter_update(ism[-1],iscovs[-1],x_oos)
oos1m, oos1c = oos1m.flatten(), oos1c.flatten()

第一个变量有多个值（状态均值），但协方差只有一个值

此外，针对具有以下内容的循环进行测试：

import numpy as np
from pykalman import KalmanFilter

x_is = np.random.randn(100) #In sample data

x_oos = np.random.randn(50) #Out of sample data

kf = KalmanFilter(transition_matrices = [1],
        observation_matrices = [1],
        initial_state_mean = 0,
        initial_state_covariance = 1,
        observation_covariance=1,
        transition_covariance=.01)

state_is_means, state_is_covs = kf.filter(x_is)

ism, iscovs = state_is_means.flatten(), state_is_covs.flatten()

#Option2: loop
kf = KalmanFilter(transition_matrices = [1],
        observation_matrices = [1],
        initial_state_mean = 0,
        initial_state_covariance = 1,
        observation_covariance=1,
        transition_covariance=.01)

state_is_means, state_is_covs = kf.filter(x_is) #Repeating to re-obtain the same KF before update

ism2, iscovs2 = state_is_means.flatten(), state_is_covs.flatten() #Same as ism, iscov

oos2m, oos2cov = np.asarray(state_oos_means).flatten(), np.asarray(state_oos_means.copy().flatten())
prevm, prevc = ism2[-1], ism2[-1]

for idx in range(len(x_oos)):
    
    oos2m[idx], oos2cov[idx] = kf.filter_update(prevm,prevc,x_oos[idx])
    
    prevm, prevc = oos2m[idx], oos2cov[idx]

在oos2m和oos1m中产生不同的结果（第一个值除外）

我错过了什么？我认为
oos1m
在某种程度上是错误的（做一些与递归预测不同的事情）。我怀疑
filter\u update（）
期望观察中的输入变量是单个值，如果您提供更多，它会（意外地）对所有其他值产生影响