Approximate Methods for State-Space Models
状态空间模型的近似方法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：摘要明确以时间序列状态空间模型和递归隐状态滤波为研究对象。
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…
状态空间模型的近似方法
- 研究问题
- 在非线性、非高斯状态空间模型中，如何快速估计给定观测历史的隐状态条件均值与方差，并控制递归近似误差？
- 方法与思路
- 作者利用 Laplace 渐近展开近似状态条件矩及高斯条件分布，构造快速、递归且确定性的 Laplace–Gaussian 滤波器。
- 材料陈述的贡献
- 摘要称，滤波误差由模型随机特征决定且随时间保持稳定；神经解码模拟与实证中，以较少计算时间得到更好结果。
- 阅读关注点
- 应核对 Laplace 近似成立的条件、误差稳定性的定义，以及与序贯蒙特卡洛比较时的计算预算和精度指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供误差界条件或比较数值，不能推广为对所有粒子滤波的优势。
原文摘要
State-space models provide an important body of techniques for analyzing time-series, but their use requires estimating unobserved states. The optimal estimate of the state is its conditional expectation given the observation histories, and computing this expectation is hard when there are nonlinearities. Existing filtering methods, including sequential Monte Carlo, tend to be either inaccurate or slow. In this paper, we study a nonlinear filter for nonlinear/non-Gaussian state-space models, which uses Laplace's method, an asymptotic series expansion, to approximate the state's conditional mean and variance, together with a Gaussian conditional distribution. This Laplace-Gaussian filter (LGF) gives fast, recursive, deterministic state estimates, with an error which is set by the stochastic characteristics of the model and is, we show, stable over time. We illustrate the estimation ability of the LGF by applying it to the problem of neural decoding and compare it to sequential Monte Carlo both in simulations and with real data. We find that the LGF can deliver superior results in a small fraction of the computing time.