The inverse Kalman filter
逆卡尔曼滤波器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：核心是动态线性模型协方差的通用计算，所给应用不足以确定具体宏观或金融计量方向。
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
逆卡尔曼滤波器
- 研究问题
- 动态线性模型产生的协方差矩阵可能使矩阵运算成本高昂；作者研究如何快速完成矩阵向量乘法，并加速相关求逆计算。
- 方法与思路
- 作者提出逆卡尔曼滤波器，以线性计算成本精确完成协方差矩阵与向量的乘法，再结合共轭梯度算法处理求逆相关计算。
- 材料陈述的贡献
- 摘要称，该方法可加速一类协方差矩阵的求逆计算，并通过粒子交互函数的非参数估计模拟及显微细胞轨迹展示可扩展性。
- 阅读关注点
- 应核对适用协方差矩阵的结构、线性成本所对应的规模维度，以及共轭梯度的收敛条件、停止准则和实际计算误差。
- 阅读边界
- 仅据所给 Crossref 摘要，精确性陈述针对矩阵向量乘法，不能据此认定完整求逆也是精确且线性成本的。
原文摘要
Summary We introduce the inverse Kalman filter, which enables exact matrix-vector multiplication between a covariance matrix from a dynamic linear model and any real-valued vector with linear computational cost. We integrate the inverse Kalman filter with the conjugate gradient algorithm, which substantially accelerates the computation of matrix inversion for a general form of covariance matrix, where other approximation approaches may not be directly applicable. We demonstrate the scalability and efficiency of the proposed approach through applications in nonparametric estimation of particle interaction functions, using both simulations and cell trajectories from microscopy data.