本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
狀態空間模型提供了分析時間序列的重要技術。但它們的使用需要估計未觀察到的狀態。狀態的最佳估計是給定觀察歷史的條件期望。當現有的濾波方法（包括順序蒙特卡羅）存在非線性時，計算這個期望是很困難的。往往要么不準確，要么緩慢。在本文中，我們研究了用於非線性/非高斯狀態空間模型的非線性濾波器。它使用拉普拉斯方法。漸進級數展開，以近似狀態的條件平均值和方差，以及高斯條件分佈。這個拉普拉斯高斯圓角 (LGE) 提供快速。遞歸、確定性狀態估計，其誤差由模型的隨機特徵決定，我們表明，隨著時間的推移，該誤差是穩定的。我們透過將 LGF 應用於神經解碼問題來說明其估計能力，並將其與模擬和實際數據中的順序蒙特卡羅進行比較。我們發現 LGE 可以在一小部分計算時間內提供出色的結果。本文有線上補充資料