Estimating sample paths of Gauss-Markov processes from noisy data
从含噪观测估计高斯—马尔可夫过程的样本路径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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要属于一般随机过程条件矩推导，未明确涉及宏观时间序列、金融数据或其他所列应用方向。
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
从含噪观测估计高斯—马尔可夫过程的样本路径
- 研究问题
- 给定高斯—马尔可夫过程样本路径上的若干含噪观测，如何计算任意位置的条件均值与方差以描述路径不确定性？
- 方法与思路
- 作者推导依赖过程均值函数、协方差函数以及采样点条件矩的逐点条件矩，并以布朗运动和布朗桥作为特殊情形。
- 材料陈述的贡献
- 摘要陈述了任意高斯—马尔可夫过程在含噪路径观测下的条件矩推导，并研究两类经典随机过程的具体特例。
- 阅读关注点
- 应核对观测噪声的分布及依赖条件、采样点条件矩的获得方式，以及逐点条件矩与整条路径联合不确定性的关系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明噪声条件、计算公式或整条路径的推断保证。
原文摘要
I derive the pointwise conditional means and variances of an arbitrary Gauss-Markov process, given noisy observations of points on a sample path. These moments depend on the process's mean and covariance functions, and on the conditional moments of the sampled points. I study the Brownian motion and bridge as special cases.