Recursive Monte Carlo filters: Algorithms and theoretical analysis
递归蒙特卡洛滤波：算法与理论分析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：摘要明确研究状态空间模型、递归滤波及观测序列长度，直接对应时间序列计算方法。
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
递归蒙特卡洛滤波：算法与理论分析
- 研究问题
- 一般状态空间模型中的粒子滤波如何选择算法与重抽样方案，其蒙特卡洛误差能否得到渐近理论及长期稳定保证？
- 方法与思路
- 作者比较接受拒绝与重要性抽样重抽样算法，引入辅助变量和分层技术，并以归纳论证建立滤波的大数律和中心极限定理。
- 材料陈述的贡献
- 摘要称较弱条件下可获得大数律和中心极限定理；在更强条件下，所需蒙特卡洛样本量可不依赖观测序列长度。
- 阅读关注点
- 应核对两类算法及重抽样的具体差别、弱条件与强条件各自内容，以及样本量不随序列长度变化对应的误差标准。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；条件与误差标准未说明，不能把样本量结论推广到任意状态空间模型。
原文摘要
Recursive Monte Carlo filters, also called particle filters, are a powerful tool to perform computations in general state space models. We discuss and compare the accept–reject version with the more common sampling importance resampling version of the algorithm. In particular, we show how auxiliary variable methods and stratification can be used in the accept–reject version, and we compare different resampling techniques. In a second part, we show laws of large numbers and a central limit theorem for these Monte Carlo filters by simple induction arguments that need only weak conditions. We also show that, under stronger conditions, the required sample size is independent of the length of the observed series.