Feb, 2024

动态过程不确定性的路径空间卡尔曼滤波器用于分析时间序列数据

PDF
TL;DR通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法，我们能够动态跟踪与底层数据和先验知识相关的不确定性，并利用贝叶斯方法量化不同的不确定性来源，并且在生物学时间序列数据集上的应用表明，PKF 在合成数据集上的表现优于传统的 KF 方法，均方误差缩小了几个数量级。
发现论文，激发创造
  • 一种用于时间演进双部分过程的协作卡尔曼滤波器

    利用卡尔曼滤波器建立一种动态模型，以矩阵分解方法进行协同过滤和相关因式分解建模，通过建模每个低维潜在嵌入为多维布朗运动来解决时间演化问题，并采用几何布朗运动处理隐含参数漂移问题，同时还应用平均场变分近似对后验概率分布的复杂性提出了解决方法。该模型在多个大型数据集上进行了评估。

    Jan, 2015

  • 异常值不敏感卡尔曼滤波：理论与应用

    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

  • 利用当前统计模型从多个视图对大量高动态物体进行三维跟踪

    提出了一种基于当前统计模型的卡尔曼粒子滤波（CSKPF）算法，用于多视角多目标三维跟踪场景，通过预测目标状态、估计目标状态协方差、抑制测量噪声以提高粒子采样效率，与现有基于恒定速度的粒子滤波（CVPF）方法相比，模拟实验和果蝇集群真实实验都证实了 CSKPF 方法在跟踪的完整性、连续性和精度方面的有效性。

    Sep, 2023

  • 未知系统的卡尔曼滤波样本复杂度

    本文研究了利用系统辨识方法设计 Kalman 滤波器的问题，给出了一种两步法：第一步是获取有限数据的状态空间参数和 Kalman 增益的粗略估计，第二步是利用这些估计参数设计产生系统状态估计的滤波器，研究发现当获取的参数精确度较高，或核心的 Kalman 滤波器具有足够的鲁棒性时，计算得到的等价 Kalman 滤波器具有可证明的次优保证，也证明对于较脆弱的滤波器，采取附加的鲁棒约束可提高次优保证性能，同时提出用样本复杂度度量此问题的最小观测数据数。

    Dec, 2019

  • 深度卡尔曼滤波器能够进行滤波

    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

  • 高维深度特征空间中因式分解推断的递推卡尔曼网络

    本文提出了一种名为 RKN 的循环卡尔曼网络，它可以在不使用其他近似方法（如变分推断）的情况下，使用反向传播直接学习高维因式分解潜在状态表示，从而具有能够精确估计不确定性的能力，并在图像插值任务中优于多种生成模型。

    May, 2019

  • 神经卡尔曼滤波

    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

  • 自适应卡尔曼信息变换器 A-KIT

    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

  • 深度卡尔曼滤波器

    该论文提出了一种使用时间生成模型进行反事实推断的方法，利用统一算法高效地学习广谱卡尔曼滤波器，其中还引入了 “Healing MNIST” 数据集用于建模，并基于 8000 名患者超过 4.5 年的电子病历数据显示了其对反事实推断的有效性。

    Nov, 2015

  • 计算感知的卡尔曼滤波和平滑

    高维 Gauss-Markov 模型的推断中，我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题，并演示了该方法在大规模气候数据集上的可扩展性。

    May, 2024