Particle Filtering for Partially Observed Gaussian State Space Models
部分观测高斯状态空间模型的粒子滤波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：状态空间模型与递推滤波对应时间序列方法，明确列出的动态probit应用也涉及离散选择。
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
部分观测高斯状态空间模型的粒子滤波
- 研究问题
- 动态模型中后验分布随数据积累不断更新时，如何利用部分观测高斯状态空间结构，提高粒子滤波的贝叶斯估计效率？
- 方法与思路
- 作者用随机正态混合表示后验分布，基于边际化思想构造特殊粒子滤波，并在动态tobit与probit模型中进行模拟。
- 材料陈述的贡献
- 摘要称方法可较标准算法显著提高效率，且适用范围不同于仅处理条件线性高斯模型的既有算法，并报告模拟评价。
- 阅读关注点
- 应核对部分观测高斯模型的范围、哪些变量被边际化、混合分布与粒子权重如何更新，以及两类动态模型的比较设置。
- 阅读边界
- 依据所给Crossref摘要；效率增益数值、算法成本及完整适用条件未说明，不能据此认为所有动态模型都能改善。
原文摘要
Summary Solving Bayesian estimation problems where the posterior distribution evolves over time through the accumulation of data has many applications for dynamic models. A large number of algorithms based on particle filtering methods, also known as sequential Monte Carlo algorithms, have recently been proposed to solve these problems. We propose a special particle filtering method which uses random mixtures of normal distributions to represent the posterior distributions of partially observed Gaussian state space models. This algorithm is based on a marginalization idea for improving efficiency and can lead to substantial gains over standard algorithms. It differs from previous algorithms which were only applicable to conditionally linear Gaussian state space models. Computer simulations are carried out to evaluate the performance of the proposed algorithm for dynamic tobit and probit models.