Practical Filtering with Sequential Parameter Learning
带序贯参数学习的实用滤波方法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：摘要明确研究状态空间滤波，并以带观测误差的自回归模型为例，直接对应时间序列方法这一细分方向。
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…
带序贯参数学习的实用滤波方法
- 研究问题
- 在一般状态空间模型中，如何同时进行序贯参数学习与状态滤波，并缓解重要性采样粒子滤波中的样本退化？
- 方法与思路
- 作者以固定滞后平滑分布的混合近似目标后验，利用充分统计量结构学习参数，并修改平滑算法实现计算。
- 材料陈述的贡献
- 摘要称，该方法避免粒子重加权，并在含观测误差的自回归模型及高维时空模型中展示推断的准确性。
- 阅读关注点
- 应核对充分统计量结构的适用范围、固定滞后近似的误差，以及异常值、模型误设和高维情形的评价设计。
- 阅读边界
- 仅据 Crossref 摘要；所述稳健表现来自给定示例，摘要未说明普遍保证、误差界或计算成本，不能外推至所有模型。
原文摘要
Summary The paper develops a simulation-based approach to sequential parameter learning and filtering in general state space models. Our approach is based on approximating the target posterior by a mixture of fixed lag smoothing distributions. Parameter inference exploits a sufficient statistic structure and the methodology can be easily implemented by modifying state space smoothing algorithms. We avoid reweighting particles and hence sample degeneracy problems that plague particle filters that use sequential importance sampling. The method is illustrated by using two examples: a benchmark auto-regressive model with observation error and a high dimensional dynamic spatiotemporal model. We show that the method provides accurate inference in the presence of outliers, model misspecification and high dimensionality.