Monte Carlo Smoothing for Nonlinear Time Series
非线性时间序列的蒙特卡洛平滑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：题名和摘要明确研究非线性时间序列、状态空间平滑与时变自回归模型。
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…
非线性时间序列的蒙特卡洛平滑
- 研究问题
- 研究一般状态空间模型中如何利用完整观测信息恢复历史状态轨迹，尤其针对非线性与非高斯情形。
- 方法与思路
- 作者用序贯重要性抽样及重采样构造滤波分布的粒子表示，再通过前向滤波、后向平滑生成历史状态序列。
- 材料陈述的贡献
- 摘要称提出新的轨迹模拟技术并证明平滑轨迹的均方误差收敛，还在时变自回归语音模型中进行比较。
- 阅读关注点
- 应核对后向抽样步骤、均方误差收敛的条件及对象，并检查语音应用中与简单平滑器的比较设计。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；收敛条件、计算成本及应用数值未提供，不能推断任意模型中的表现。
原文摘要
We develop methods for performing smoothing computations in general state-space models. The methods rely on a particle representation of the filtering distributions, and their evolution through time using sequential importance sampling and resampling ideas. In particular, novel techniques are presented for generation of sample realizations of historical state sequences. This is carried out in a forward-filtering backward-smoothing procedure that can be viewed as the nonlinear, non-Gaussian counterpart of standard Kalman filter-based simulation smoothers in the linear Gaussian case. Convergence in the mean squared error sense of the smoothed trajectories is proved, showing the validity of our proposed method. The methods are tested in a substantial application for the processing of speech signals represented by a time-varying autoregression and parameterized in terms of time-varying partial correlation coefficients, comparing the results of our algorithm with those from a simple smoother based on the filtered trajectories.