优化还是架构:如何攻破卡尔曼滤波
Kalman filters are widely used for estimating hidden variables and their application in neural decoding is explored in this paper, presenting a new version that leverages Bayes' theorem for improved filter performance. The paper provides an open-source Python alternative to the authors' MATLAB algorithm, and the efficacy of the new filter is examined in neuroscientific contexts using multiple random seeds and previously unused trials from the authors' dataset.
Jan, 2024
本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法,其仅需要进行加权预测误差的局部计算,同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能,并提出了一种神经实现方法。
Feb, 2021
我们提出了两种创新的数据驱动滤波方法,通过结合可训练的运动模型进行对象位置预测,并将观察结果与对象检测器的预测相结合,以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估,证明在对象跟踪方面,尤其是非线性运动模式的情况下,我们的滤波器优于传统的 Kalman 滤波器。
Feb, 2024
从有噪音观测数据中对动态系统进行状态估计是许多应用中的一个基本任务。本文介绍了一种无参数算法,通过简短的迭代过程对 Kalman 滤波器的标准更新步骤进行在线估计,从而减轻观测数据中异常值的有害影响。仿真和实地实验评估证明了我们的方法在滤波场景中对异常值的鲁棒性,相比其他算法表现出有竞争力的性能。
Sep, 2023
本文解决了常见的线性二次估计问题,提出了真正的鲁棒滤波器:在测量噪声被敌对地破坏了甚至只有一个常数部分时,我们给出了强有力的可证明保证。该框架可以模拟重尾和甚至非平稳的噪声过程。我们的算法在鲁棒化卡尔曼滤波器方面具有竞争力,可以与知道破坏位置的最优算法竞争。
Nov, 2021
论文介绍在线连续学习的挑战和解决方案,提出将深度学习和状态空间模型结合的贝叶斯在线学习模型,并通过有效的卡尔曼滤波重建线性预测权值上的后验分布,采用在线 SGD 算法更新数据中的非稳态性,进而成功应用于多类分类问题,如 CIFAR-100 和 CLOC 数据集。
Jun, 2023
该研究提出了一种高效的在线近似贝叶斯推断算法,用于从可能的非静态数据流中估计非线性函数的参数,并通过使用后验精度矩阵的新型低秩加对角线分解,使每步成本与模型参数数量呈线性关系,与基于随机变分推断的方法相比,我们的方法是完全确定性的,不需要步长调整,并显示实验表明,这导致学习速度更快(更节约样本),从而更快地适应不断变化的分布,并作为上下文强化学习算法的一部分积累奖励更快。
May, 2023
用优化方法代替矩阵存储、求逆和乘法、蒙特卡罗估计等不适用于高维状态空间(如人工神经网络的权重空间)的传统方法,将标准的贝叶斯滤波问题转化为对具有时变目标的优化问题。我们发现,在线性 - 高斯模型下的卡尔曼滤波以及非线性模型的实验结果表明,我们的框架能够得到有效、稳健且可扩展到高维系统的滤波器,与标准贝叶斯滤波解决方案相比具有优势,并且我们认为,更容易调整优化器而不是确定正确的滤波方程,使我们的框架成为处理高维滤波问题的有吸引力的选择。
Nov, 2023
连续时间的深度卡尔曼滤波器 (DKF) 可以近似实现一类非马尔可夫和条件高斯信号过程的条件概率分布,适用于数学金融中的债券和期权价格模型校准等传统基于模型的过滤问题。
Oct, 2023
本研究介绍了一种自适应的 Kalman-fusion 变换器 (A-KIT) 方法,通过学习实时变化的过程噪声协方差矩阵来提高传感器融合的性能,并通过实验表明,相对于传统的 EKF 和基于模型的自适应 EKF,A-KIT 在位置精度上提高了超过 49.5% 和平均 35.4%。
Jan, 2024