Optimal Recursive Estimation of Dynamic Models
动态模型的最优递归估计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：摘要直接讨论动态模型、预测表现以及参数平滑变化和突变，支持时间序列、预测与结构变化分类。
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
动态模型的最优递归估计
- 研究问题
- 在动态模型参数缓慢漂移或突然变化时，如何设计递归估计，并在固定模型阶数下改善拟合与预测表现？
- 方法与思路
- 作者将递归最小二乘与卡尔曼滤波等纳入统一算法，通过优化基于一步预测误差的二次目标选择跟踪系数。
- 材料陈述的贡献
- 摘要称，各项真实数据与模拟应用中，经设计和优化的自适应递归算法显著改善了预测表现，但未给出改善幅度。
- 阅读关注点
- 应核对统一算法的适用范围、跟踪系数优化方式，以及固定模型阶数时经典与自适应方法的预测比较设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；优化约束、显著性判据及具体预测收益未说明，不能推断刊本变化。
原文摘要
This article checks, using both real and simulated data, the effectiveness of modern adaptive techniques to track the parameters of time-varying dynamic models. The real case studies concern a bone marrow transplant data set published by Tong, the gas furnace model of Box and Jenkins, and two series of West German interest rates. Simulation studies focus on ARX models with smoothly and suddenly changing parameters. The general approach is to compare the fitting-forecasting performance of classical and adaptive methods, holding fixed the order of the models. At the methodological level, the basic step is taken by unifying known estimators, such as recursive least squares and Kalman filter, into a general algorithm. Next, the problem of optimal design of the tracking coefficients (such as discounting factors and learning rates), is solved by optimizing a quadratic functional based on one-step-ahead prediction errors. All applications show that adaptive modeling, based on the design and the optimization of recursive algorithms, leads to significant improvements of the forecasting performance.