Robustification of Kalman Filter Models
卡尔曼滤波模型的稳健化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：摘要研究卡尔曼滤波的递归状态更新，直接涉及时间序列中的动态滤波方法。
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…
卡尔曼滤波模型的稳健化
- 研究问题
- 当极端观测与先验信息严重冲突时，如何避免高斯卡尔曼滤波产生不合理的后验折中，并构造稳健的更新机制？
- 方法与思路
- 作者提出具有 Student-t 边际的多元分布模型，并使用 poly-t 分布近似，描述相应滤波器的递归实现机制。
- 材料陈述的贡献
- 摘要称，所构造模型可使后验在遭遇极端离群观测时回归先验，并讨论递归方法的性质，以一个例子展示程序。
- 阅读关注点
- 应核对后验回归先验的具体条件、跨变量依赖的设定，以及 poly-t 近似如何影响递归计算和稳健性结论。
- 阅读边界
- 摘要未说明稳健性成立的完整条件、近似误差或实例结果；所给为版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。
原文摘要
Kalman filter models based on the assumption of multivariate Gaussian distributions are known to be nonrobust. This means that when a large discrepancy arises between the prior distribution and the observed data, the posterior distribution becomes an unrealistic compromise between the two. In this article we discuss a rationale for how to robustify the Kalman filter. Specifically, we develop a model wherein the posterior distribution will revert to the prior when extreme outlying observations are encountered, and we point out that this can be achieved by assuming a multivariate distribution with Student-t marginals. To achieve fully robust results of the kind desired, it becomes necessary to forsake an exact distribution-theory approach and adopt an approximation method involving “poly-t” distributions. A recursive mechanism for implementing the multivariate-t—based Kalman filter is described, its properties are discussed, and the procedure is illustrated by an example.