Mixture Kalman Filters
混合卡尔曼滤波器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：摘要明确研究动态模型的序贯滤波、在线估计与预测，直接涉及时间序列方法。
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…
关注这篇论文的作者
混合卡尔曼滤波器
- 研究问题
- 对于条件线性或部分条件线性的动态系统，如何高效执行在线滤波、估计与预测，并处理复杂的目标概率分布？
- 方法与思路
- 作者提出特殊的序贯蒙特卡洛方法，以随机高斯混合近似目标分布，并将多类非线性系统表述为可适用的条件线性形式。
- 材料陈述的贡献
- 摘要称，混合卡尔曼滤波相较若干现有方法可明显提高效率，并提供系统重表述方法及目标跟踪、数字通信示例。
- 阅读关注点
- 应核对条件线性结构、混合分布更新与采样步骤，以及效率比较的衡量标准、计算预算和可适用的非线性系统范围。
- 阅读边界
- 仅依据所给 Crossref 摘要；效率增益没有给出数值与完整条件，工程示例也不能直接证明该方法适用于所有经济动态模型。
原文摘要
Summary In treating dynamic systems, sequential Monte Carlo methods use discrete samples to represent a complicated probability distribution and use rejection sampling, importance sampling and weighted resampling to complete the on-line ‘filtering’ task. We propose a special sequential Monte Carlo method, the mixture Kalman filter, which uses a random mixture of the Gaussian distributions to approximate a target distribution. It is designed for on-line estimation and prediction of conditional and partial conditional dynamic linear models, which are themselves a class of widely used non-linear systems and also serve to approximate many others. Compared with a few available filtering methods including Monte Carlo methods, the gain in efficiency that is provided by the mixture Kalman filter can be very substantial. Another contribution of the paper is the formulation of many non-linear systems into conditional or partial conditional linear form, to which the mixture Kalman filter can be applied. Examples in target tracking and digital communications are given to demonstrate the procedures proposed.