A general theory of particle filters in hidden Markov models and some applications
隐马尔可夫模型粒子滤波的一般理论及应用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：摘要研究隐马尔可夫模型的动态隐状态滤波及误差评估，直接关联时间序列方法，但没有特定宏观或金融应用证据。
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
隐马尔可夫模型粒子滤波的一般理论及应用
- 研究问题
- 粒子滤波反复重采样造成样本路径相依时，如何刻画隐状态估计的渐近分布，并可靠估计其蒙特卡洛标准误？
- 方法与思路
- 作者利用鞅表示推导隐马尔可夫模型粒子滤波的渐近正态性和渐近方差公式，再据此构造滤波估计的标准误估计。
- 材料陈述的贡献
- 摘要称，鞅表示带来较简单的渐近方差公式，并可在重采样引起复杂相依的情况下获得隐状态滤波估计标准误的一致估计。
- 阅读关注点
- 应核对渐近极限针对粒子数还是时间长度、重采样机制与权重条件，以及标准误估计是否涉及额外计算或路径退化问题。
- 阅读边界
- 依据版本未注明的索引摘要；具体渐近框架及条件未说明，不能由标准误一致性推断长期稳定性或所有粒子滤波方案的有效性。
原文摘要
By making use of martingale representations, we derive the asymptotic normality of particle filters in hidden Markov models and a relatively simple formula for their asymptotic variances. Although repeated resamplings result in complicated dependence among the sample paths, the asymptotic variance formula and martingale representations lead to consistent estimates of the standard errors of the particle filter estimates of the hidden states.