Robust Filtering
稳健滤波AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究状态空间模型、实时观测和顺序滤波，直接对应时间序列方法，但未说明宏观应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
稳健滤波
- 研究问题
- 如何从实时观测推断状态空间模型的隐藏状态，同时控制小幅模型误设及观测异常值对状态分布推断造成的影响？
- 方法与思路
- 作者将稳健统计思想用于顺序滤波，以状态分布相对误差对扰动规模的统一线性界定义稳健性，并提出稳健化滤波器。
- 材料陈述的贡献
- 摘要称标准滤波器即使在简单情形也可能不稳健，所提滤波器改善误设下的状态推断，稳健粒子滤波还能缓解粒子退化问题。
- 阅读关注点
- 应核对扰动类别、相对误差与统一界的具体定义，查看稳健化构造及粒子退化评价，并比较线性和非线性示例的证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；稳健性条件、误设范围及示例数值未提供，不能断言对所有异常值或状态模型有效。
原文摘要
Filtering methods are powerful tools to estimate the hidden state of a state-space model from observations available in real time. However, they are known to be highly sensitive to the presence of small misspecifications of the underlying model and to outliers in the observation process. In this article, we show that the methodology of robust statistics can be adapted to sequential filtering. We define a filter as being robust if the relative error in the state distribution caused by misspecifications is uniformly bounded by a linear function of the perturbation size. Since standard filters are nonrobust even in the simplest cases, we propose robustified filters which provide accurate state inference in the presence of model misspecifications. The robust particle filter naturally mitigates the degeneracy problems that plague the bootstrap particle filler (Gordon, Salmond, and Smith) and its many extensions. We illustrate the good properties of robust filters in linear and nonlinear state-space examples. Supplementary materials for this article are available online.