Recursive Solutions for the Estimation of a Stochastic Parameter
随机参数估计的递归解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：摘要涉及向量 Markov 过程、序列预测滤波平滑与自协方差生成函数，直接属于时间序列方法。
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
随机参数估计的递归解
- 研究问题
- 当随机参数遵循向量 Markov 过程且观测含误差时，如何递归构造其最佳线性预测、滤波和平滑估计并分析观测序列？
- 方法与思路
- 作者讨论 Wiener–Kolmogorov 与 Bayes 方法，构造最佳线性估计的递归方程，并用 Bayes 解生成观测序列自协方差生成函数的典范分解。
- 材料陈述的贡献
- 摘要称，论文给出向量 Markov 参数含误差观测时的预测、滤波和平滑解，建立相应典范分解，并讨论向其他模型推广。
- 阅读关注点
- 应核对状态与观测方程、最佳线性的准则、递归初始化，以及两种方法之间的关系和典范分解所需的过程条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明分布、平稳性或推广条件，不能把最佳线性推广为一般最优。
原文摘要
Some applications of the Wiener-Kolmogorov and Bayes approaches are discussed with regard to the construction of recursive equations for the best linear estimator of a stochastic parameter. Solutions are given for the prediction, filtering and smoothing cases when the parameter follows a vector Markov process and is observed with error. The Bayes solution is used to generate a canonical factorization of the autocovariance generating function of the observed series. Generalization of these techniques to other models is also discussed.