本文介绍一种基于历史数据，使用逐步加粗的粒子来近似表示潜在状态分布的序列预测模型，利用连续可微分的方案，根据贝叶斯规则，自适应提取有价值的信息和更新潜在状态，并在预测任务中取得了良好的效果。

Dec, 2022

该研究提出了一种新颖的内存高效的循环神经网络（RNN）架构，用于解决目标定位问题，并通过将经典的粒子滤波器与 GRU RNN 架构相结合，提出了构建粒子滤波器 RNN 模型（mePFRNN）的关键特性是在处理不同尺寸环境时所需的参数数目相同。因此，相比于先前提出的 PFRNN 模型，该提议的 mePFRNN 架构消耗更少的存储参数内存。通过在对称且嘈杂的环境中进行测试，以展示我们模型的性能，实验结果表明，相比于其他考虑的竞争者，mePFRNN 模型具有更精确的定位结果，并且需要更少的训练参数。

Oct, 2023

本文介绍了一种新的方法 PF-Net，将粒子滤波算法和神经网络相结合，为具有复杂动态或丰富感知输入的系统构建概率系统模型。实验结果表明，PF-Net 在机器人视觉定位任务中具有更好的表现和普适性。

May, 2018

采用基于粒子流的贝叶斯推理方法，通过状态空间模型实现时间序列预测以及不确定性分析，比当前点预测方法提供更好的不确定性特征与相似的预测准确性。

Jun, 2021

我们提出了一种新的模型，Predictive State Recurrent Neural Networks (PSRNNs)，用于过滤和预测动态系统中的信息。我们使用了循环神经网络 (RNNs) 和预测状态表示 (PSRs) 的见解，并继承了这两种模型的优势。我们表明，我们的模型可以通过联合反向传播算法和基于统计一致性的学习算法 Two-Stage Regression (2SR) 的初始化来有效地学习和因数分解模型大小，以减少模型计算时间和提高模型性能。通过实验，我们证明了在所有情况下，PSRNNs 比其他常见的动态系统建模方法都有更好的表现。

May, 2017

利用混合神经网络和粒子滤波器架构的 SV-PF-RNN，改进粒子滤波器的性能，并实现了随机波动率估计。

Sep, 2023

本文介绍了一种基于神经网络的可微分粒子滤波器 (RLPF) 来解决在系统可能在有限集合的状态空间模型之间切换的情况下同时学习各个模型及切换过程的问题，并提出了相应的训练方法。通过数值实验，我们证明了与先前最先进的算法相比，RLPF 取得了有竞争力的性能。

May, 2024

本文介绍了一种新的循环自编码器结构 —— 递归神经过滤器（RNF），通过一系列编码器和解码器学习 Bayesian 滤波每一步的不同表示，应用于三个实际时间序列数据集上，证明了这种解耦表示不仅提高了一步预测的准确性，同时提供了可信的不确定度估计，而且通过分离编码器阶段促进了多步预测。

Jan, 2019

本文介绍了如何利用 Rao-Blackwellisation 技术来提高动态贝叶斯网络的粒子滤波算法的效率，并用两个问题来展示利用 Rao-Blackwellised 粒子滤波进行非平稳在线回归和机器人定位和地图构建的准确性。

Jan, 2013

本文综述了近年来不同的可微粒子滤波器及其应用，重点介绍了其中的关键组件设计，包括动态模型、测量模型、提议分布、优化目标和可微重采样技术。

Feb, 2023