Inequality Constrained State-Space Models
不等式约束状态空间模型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：摘要讨论状态空间模型的前向滤波与时间维度上的高斯线性结构，直接对应时间序列中的潜在状态建模。
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
不等式约束状态空间模型
- 研究问题
- 当状态变量受到不等式约束、截断使模型偏离线性高斯形式时，如何完成前向滤波与似然计算，并确保滤波结果满足状态约束？
- 方法与思路
- 作者提出采用最优重要性分布的 Rao–Blackwell 化粒子滤波，在截面与时间两个层面利用高斯线性子结构，以处理状态约束。
- 材料陈述的贡献
- 摘要称，该粒子滤波能在标准卡尔曼滤波违反约束时有效施加状态限制；蒙特卡洛实验显示，利用高斯线性子结构的方案表现良好。
- 阅读关注点
- 全文应核对约束如何进入最优重要性分布、哪些状态可解析积分、似然计算方法，以及模拟中约束执行效果与计算成本的比较依据。
- 阅读边界
- 摘要未说明约束形式、粒子数选择、收敛保证与模拟设定；良好表现是摘要对实验的陈述，不能推断对所有约束模型均有效。
原文摘要
The standard Kalman filter cannot handle inequality constraints imposed on the state variables, as state truncation induces a nonlinear and non-Gaussian model. We propose a Rao-Blackwellized particle filter with the optimal importance function for forward filtering and the likelihood function evaluation. The particle filter effectively enforces the state constraints when the Kalman filter violates them. Monte Carlo experiments demonstrate excellent performance of the proposed particle filter with Rao-Blackwellization, in which the Gaussian linear sub-structure is exploited at both the cross-sectional and temporal levels.