On-Line Inference for Hidden Markov Models via Particle Filters
利用粒子滤波进行隐马尔可夫模型的在线推断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：隐马尔可夫模型的在线状态推断对应时间序列方法，测井数据的断点估计明确涉及变化检测，支持两个方向。
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
利用粒子滤波进行隐马尔可夫模型的在线推断
- 研究问题
- 在给定隐状态历史后推断可处理的隐马尔可夫模型中，如何高效开展在线贝叶斯分析并改进粒子重抽样？
- 方法与思路
- 作者提出类似混合 Kalman 滤波的新粒子滤波器，替换重抽样算法，并分析其计算效率及平方误差损失下的最优性。
- 材料陈述的贡献
- 摘要称新重抽样在无偏算法类中具有平方误差最优性；在测井变点估计例子中，新滤波器较两种对照表现更好。
- 阅读关注点
- 应核对给定状态历史后的可处理性要求、无偏重抽样算法类和损失定义，并确认案例比较的评价指标与计算预算。
- 阅读边界
- 仅据所给 Crossref 摘要，最优性限定于无偏重抽样算法及指定损失；案例中的数量级优势未说明衡量指标，不能普遍外推。
原文摘要
Summary We consider the on-line Bayesian analysis of data by using a hidden Markov model, where inference is tractable conditional on the history of the state of the hidden component. A new particle filter algorithm is introduced and shown to produce promising results when analysing data of this type. The algorithm is similar to the mixture Kalman filter but uses a different resampling algorithm. We prove that this resampling algorithm is computationally efficient and optimal, among unbiased resampling algorithms, in terms of minimizing a squared error loss function. In a practical example, that of estimating break points from well-log data, our new particle filter outperforms two other particle filters, one of which is the mixture Kalman filter, by between one and two orders of magnitude.