The Diffuse Kalman Filter
弥散卡尔曼滤波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：摘要明确讨论状态空间模型的卡尔曼递推及预测，直接对应时间序列与预测方法。
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
弥散卡尔曼滤波
- 研究问题
- 状态空间模型的状态协方差任意大时，如何进行似然计算和最小均方误差状态估计，并开展预测与平滑？
- 方法与思路
- 作者扩展卡尔曼递推，使其允许具有任意大协方差的状态，并将扩展用于似然计算、状态估计、预测和平滑。
- 材料陈述的贡献
- 摘要称该扩展只需较小的计算改动，即可处理所述状态不确定性，并覆盖状态空间分析中的多项基本任务。
- 阅读关注点
- 应核对弥散状态的数学处理、有限与弥散不确定性的区分、似然构造，以及预测和平滑递推的具体条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未说明初始化限制、数值稳定性或具体计算成本。
原文摘要
The Kalman recursion for state space models is extended to allow for likelihood evaluation and minimum mean square estimation given states with an arbitrarily large covariance matrix. The extension is computationally minor. Application is made to likelihood evaluation, state estimation, prediction and smoothing.