Gaussian Process State-Space Modeling and Particle Filtering for Time Series Decomposition and Nonlinear Signal Extraction
时间序列分解与非线性信号提取的高斯过程状态空间建模和粒子滤波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。
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：摘要明确研究时间序列状态空间建模、趋势季节分解和滤波，直接对应时间序列。
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
时间序列分解与非线性信号提取的高斯过程状态空间建模和粒子滤波
- 研究问题
- 面对难以参数化、具有尖锐或不对称动态的时间序列，如何学习状态转移并提取潜在趋势、季节成分及非线性信号？
- 方法与思路
- 作者使用高斯过程学习状态转移函数，以粒子滤波实施贝叶斯状态估计，并在趋势提取、季节调整和非线性任务中比较卡尔曼滤波。
- 材料陈述的贡献
- 摘要提出高斯过程状态空间模型的粒子滤波推断框架，并报告其能在尖锐或不对称动态下恢复潜在状态，展示非线性建模用途。
- 阅读关注点
- 应核对状态空间结构、核函数和超参数学习、粒子数及退化处理，并检查与卡尔曼滤波比较时任务设定和评价指标是否一致。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供数据来源、性能数值或计算成本，难以判断相对优势的范围。
原文摘要
Gaussian-process state-space models (GP-SSMs) provide a flexible nonparametric alternative for modeling time-series dynamics that are nonlinear or difficult to specify parametrically. While the Kalman filter is effective for linear-Gaussian trend and seasonal components, many real-world systems require more expressive representations. GP-SSMs address this need by learning transition functions directly from data, while particle filtering enables Bayesian state estimation even when posterior distributions deviate from Gaussianity. This paper develops a particle-filtering framework for GP-SSM inference and compares its performance with the Kalman filter in trend extraction and seasonal adjustment. We further evaluate nonlinear signal-extraction tasks, demonstrating that GP-SSMs can recover latent states under sharp or asymmetric dynamics. The results highlight the utility of combining GP modeling with sequential Monte Carlo methods for complex time-series analysis.