关键词differentiable particle filters
搜索结果 - 5
- 可微粒子滤波器的策略学习
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 - 重审可微分粒子滤波器的半监督训练目标
本文比较了两种半监督训练目标对可微粒子滤波器的有效性,并在两个模拟环境中展示了标记数据稀缺的结果。
- 现场学习可微分粒子滤波
本文提出了一种可微粒子滤波器的在线学习框架,通过采用无监督损失来构建在线模型更新过程,实现随着数据的到达更新模型参数;通过在模拟设置中进行实证评估,并与监督学习方法进行比较,包括多元线性高斯状态空间模型和模拟物体跟踪实验。
- 可微粒子滤波器概述:数据自适应序贝叶斯推断
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。
- 可微粒子滤波器:通过算法先验进行端到端学习
本研究介绍了可微分粒子滤波器(DPFs),用于在概率分布之上进行的递归状态估计的算法。我们证明了不同的学习模型如动态和测量模型,能在 end-to-end 的不同 iable 框架下完成。当前的实验表明,与 LSTM 相比,DPFs 能够更