Stochastic Volatility Filtering with Intractable Likelihoods
研究了$α$ -稳定随机波动率模型的粒子滤波问题. $α$ -稳定分布提供了一个灵活的框架，用于对非对称性和重尾进行建模，这在对财务回报进行建模时非常有用。这种分布假设的一个问题是缺乏概率密度函数的封闭形式。为了估计在这种情况下的金融收益率的波动性，我们开发了一种新的辅助粒子滤波器。我们开发的算法可以很容易地应用到任何隐马尔可夫模型的似然函数是棘手的或计算昂贵的。我们的辅助滤波器的近似目标分布是基于近似贝叶斯计算（ABC）的思想。ABC方法允许在基础模型的可能性无法以封闭形式提供的情况下对后验量进行推断，但可以从中模拟样本。我们提出的ABC辅助粒子滤波器（ABC-APF）不仅为随机波动模型中的状态估计提供了一个很好的替代方案，而且改进了现有的ABC文献。它允许在状态估计中更大的灵活性，同时在滤波器的最佳重要性密度以封闭形式不可用的情况下通过更好的建议分布来提高精度。我们评估的性能的ABC-APF的模拟数据集从$α$稳定的随机波动率模型，并将其与其他目前现有的ABC过滤器。
2014-05-16 stat.CO
Uniform Time Average Consistency of Monte Carlo Particle Filters
证明了当信号遍历且粒子系统满足紧性时，自举型Monte Carlo粒子滤波器在时间平均意义下关于时域一致逼近最优非线性滤波.当信号状态空间是紧的，以及在非紧的设置时，信号是几何遍历和观察满足额外的规律性假设，后者是满足没有进一步的假设。
2009-09-03 math.PR math.ST stat.TH
Efficient particle filtering through residual nudging
我们引入了一种辅助技术，称为残余轻推，粒子滤波器，以提高其性能的情况下，它表现不佳。残差轻推的主要思想是监测，并在必要时调整观测空间中状态估计的残差范数，使其不超过预先指定的阈值。我们建议一个规则来选择预先指定的阈值，并相应地构建一个状态估计，以实现这一目标。数值实验表明，引入残余轻推的粒子滤波器可以（实质上）提高其性能，在过滤器的精度和/或稳定性，对发散，特别是当粒子滤波器实现了相对较少数量的粒子。
2013-03-11 math.ST physics.ao-ph physics.data-an
Analysis of error propagation in particle filters with approximation
本文探讨了在资源受限的平台上实现粒子滤波器时所需的近似步骤的影响。我们认为粒子滤波器执行间歇性近似，无论是通过子采样的粒子或通过生成一个参数近似。对于这样的算法，我们推导出时间一致的弱意义上的$L_p$错误的界限，并提出相关的指数不等式。我们激励的理论分析，考虑领导节点的粒子滤波器和目前的数值实验探索其性能和误差界的关系。
2012-02-24 math.PR math.ST stat.TH
Adaptive methods for sequential importance sampling with application to state space models
在本文中，我们讨论新的自适应建议策略的序贯蒙特卡罗算法-也被称为粒子滤波器-依靠标准的质量评估建议的粒子。建议分布的选择是一个主要的问题，可以极大地影响估计的质量。因此，我们展示了如何长期使用的权重的变异系数可以用于估计辅助粒子滤波器的目标和仪器分布之间的卡方距离。作为这种分析的副产品，我们得到一个辅助调整乘数权重类型，这种卡方距离是最小的。此外，我们建立了一个经验估计的线性复杂性的库尔贝克-莱布勒散度之间的分布。在此基础上，讨论了粒子滤波器建议分布的自适应设计问题，并给出了数值例子。
2008-08-23 math.ST stat.CO stat.ME
Can local particle filters beat the curse of dimensionality?
粒子滤波方法的发现使得非线性滤波在广泛的应用中得以使用。不幸的是，粒子滤波器的近似误差通常在底层模型的维度上呈指数增长。这一现象使得粒子滤波器在复杂的数据同化问题中的应用受到限制。在本文中，我们认为，它往往是可能的，至少在原则上，开发本地粒子滤波算法的近似误差是无量纲的。这种发展的关键是相关性的衰减特性，这是一个空间的对应物更好地理解的稳定性的非线性滤波。对于这种类型的最简单的可能的算法，我们的结果在适当的假设下提供了一个近似的误差界，这是均匀的时间和模型的尺寸。更广泛地说，我们的研究结果提供了一个框架的调查过滤问题和算法在高维。
2015-09-09 math.PR math.ST stat.TH
On particle filters applied to electricity load forecasting
我们感兴趣的是在动态模型的贝叶斯框架内的电力负荷的在线预测。我们提供了一个审查的序贯蒙特卡罗方法，并提供了计算所需的推导所谓的粒子过滤器。我们还讨论了从他们的使用所产生的实际问题，和一些在文献中提出的变种，以处理它们，尽可能提供详细的算法，以方便实施。我们提出了一个额外的步骤，以帮助使基本的粒子滤波器更强大的离群观测。最后，我们使用这样的粒子滤波器估计的状态空间模型，其中包括外生变量，以预测电力负荷的客户的法国电力公司法国电力公司，并讨论所获得的各种结果。
2013-04-15 math.ST stat.AP stat.TH
A critical analysis of resampling strategies for the regularized particle filter
我们分析了正则化粒子滤波器在参数估计方面不同恢复策略的性能。我们特别表明，建立在线性高斯情况下获得的分析洞察力，resternation系统可以防止过滤后的密度收敛到真正的后验分布。我们讨论了几种方法来克服这一限制，包括内核带宽调制，并提供证据表明，由此产生的粒子滤波器明显优于传统的自举粒子滤波器。我们的研究结果支持的线性教科书的例子，逻辑地图和非线性植物生长模型的数值模拟。
2017-05-11 math.ST stat.CO stat.ME
A Stochastic Covariance Shrinkage Approach to Particle Rejuvenation in the Ensemble Transform Particle Filter
粒子滤波器中的复原是必要的，以防止当粒子的数量不足以对状态空间的高概率区域进行采样时权重的崩溃。复原通常通过添加随机样本以启发式方式实现，该随机样本扩大了对系综的支持。这项工作的目的是改进规范复兴方法，通过引入额外的先验信息，从气候样本，用于重要性采样的动态粒子增加随机协方差收缩获得的样本。系综传输粒子滤波器，和它的二阶变体，扩展与建议的复兴方法。数值实验表明，改进的滤波器显着改善低动力学系综尺寸的分析。
2021-09-20 cs.NA math.NA math.ST
How to avoid the curse of dimensionality: scalability of particle filters with and without importance weights
粒子滤波算法是一种非常流行且灵活的数值算法，可以用来解决大量的非线性滤波问题。然而，具有重要性权重的标准粒子滤波器已经被证明需要随着状态空间的维度D呈指数增加的样本量，以便实现一定的性能，这排除了它们在非常高维的滤波问题中的使用。在这里，我们专注于连续时间过滤，这是由退化的重要性权重随着时间的推移，维数灾难（COD）的动态方面。我们表明，退化发生在一个时间尺度上，随着D的增加而减少。为了缓和权重退化的影响，大多数粒子滤波器使用粒子恢复和改进的粒子运动建议函数。我们解释了为什么两者都不能防止COD一般。为了解决这个基本问题，我们调查现有的过滤算法的基础上最优反馈控制，回避使用的重要性权重。我们使用数值实验来证明Yang等人的反馈粒子滤波器（FPF）。（2013）不表现出COD。
2017-09-19 math.OC math.PR math.ST
Variance reduction for particle filters of systems with time-scale separation
University of California（加州大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
针对时间尺度分离系统，利用平均原理降维和Rao-Blackwell化分解转移概率，结合粗投影积分框架构建粒子滤波器，实现方差缩减和加速。
2008-06-04 cs.NA math.NA math.ST
Butterfly resampling: asymptotics for particle filters with constrained interactions
我们概括的基本机制放回抽样$N$时间从一个加权人口的大小$N$的抽样，通过引入辅助变量和条件独立性的限制，其特征在于模块同余关系。出于对并行性的考虑，收敛性研究揭示了该机制的条件独立图的稀疏性如何与粒子滤波器的波动特性相关，该滤波器使用它来进行重新排序，在某些情况下表现出奇异的缩放行为。证明涉及条件独立图的详细组合分析。
2014-11-21 stat.ME
Auxiliary MCMC and particle Gibbs samplers for parallelisable inference in latent dynamical systems
针对高维潜在动态模型采样难题，提出引入人工观测作为辅助变量的 MCMC 核，开发出高效精确的卡尔曼采样器与增强 Particle Gibbs 算法，支持 GPU 时间维度并行化，显著提升了高维推断性能。
2025-03-03 cs.DC stat.CO stat.ML
What the collapse of the ensemble Kalman filter tells us about particle filters
University of Arizona（亚利桑那大学）；Naval Research Laboratory（海军研究实验室）；National Center for Atmospheric Research（国家大气研究中心）
研究探讨了协同卡尔曼滤波崩溃与高维粒子滤波器的关系，指出粒子滤波器在高维问题中崩溃，支持气象学中对粒子滤波器进行局部化的努力。
2016-05-31 cs.NA math.NA stat.CO
Autonomous Crowds Tracking with Box Particle Filtering and Convolution Particle Filtering
无人机（UAV）等自主系统需要能够识别和跟踪人群，例如用于救援和监视目的。大型团体会产生来源不确定的多个测量值。此外，通常传感器噪声特性是未知的，但测量值被限制在一定的区间内。在这项工作中，我们提出了两种解决方案的人群跟踪问题-与框粒子滤波方法和卷积粒子滤波方法。所开发的滤波器可以以优雅的方式处理测量原点的不确定性，即解决数据关联问题。对于箱形粒子滤波器（PF），我们推导出了杂波存在下的广义似然函数的理论表达式。一个自适应卷积粒子滤波器（CPF）也开发和两个过滤器的性能进行了比较，与标准的顺序重要性响应（SIR）PF。这两个过滤器的优点和缺点说明了一个现实的情况下（代表在体育场的人群运动）为一大群行人。获得了准确的估计结果。
2016-01-11 stat.AP
PF: A C++ Library for Fast Particle Filtering
粒子滤波器是一类用于实时“跟踪”或“滤波”大量时间序列模型的算法。尽管粒子滤波器具有广泛的适用性，但由于其难以实现，因此并不总是许多从业者的首选工具。这篇简短的文章介绍了PF，这是一个仅包含C++头文件的模板库，它提供了许多不同粒子滤波器的快速实现。提供了一个教程以及一个广泛的完全工作的例子。
2020-01-28 stat.CO
Particle Filtering and Gaussian Mixtures -- On a Localized Mixture Coefficients Particle Filter (LMCPF) for global NWP
在一个全球数值天气预报（NWP）模式框架下，研究了将单个粒子的高斯不确定性引入到局部自适应粒子滤波器（LAPF）同化步骤中的问题。我们得到的先验分布的混合基函数的本地表示。在同化步骤中，滤波器计算各个权重系数和新的粒子位置。它可以被视为LAPF和高斯混合滤波器的局部版本的组合，即，局部混合系数粒子滤波器（LMCPF）。在这里，我们调查的可行性LMCPF在一个全球性的操作框架，并评估先验和后验分布和观察之间的关系。我们的模拟是在一个标准的操作前的实验设置与完整的全球观测系统，52公里的全球分辨率和$10^6$模型变量。计算了同化步骤中粒子运动的统计量。混合方法能够处理先验分布和观测位置之间的差异，在现实世界的框架，并拉粒子对观察在一个更好的方式比纯LAPF。这表明，在粒子滤波器框架中，使用高斯不确定性可以是提高分析和预测质量的重要工具。
2022-06-15 stat.AP
Innovative And Additive Outlier Robust Kalman Filtering With A Robust Particle Filter
在本文中，我们提出了CE-BASS，一个粒子混合卡尔曼滤波器，这是强大的创新和添加剂离群值，并能够充分捕捉多模态的隐藏状态的分布。此外，粒子采样方法对过去的状态进行重新采样，这使得CE-BASS能够处理在观测中无法立即看到的创新离群值，例如趋势变化。过滤器是计算效率高，因为我们得到新的，准确的近似粒子的最佳建议分布。所提出的算法与现有的方法进行比较，并适用于机器温度和服务器数据。
2020-07-07 stat.AP stat.CO stat.ME
A modified particle filter that reduces weight collapse
本文提出一种基于能量多样性度量的改进粒子滤波器，通过最小化二体能量势调整权重以缓解权重坍缩，在数值实验中优于经典粒子滤波器并改善状态估计。
2025-10-27 stat.AP
A Stable Particle Filter in High-Dimensions
我们认为在高维的过滤问题的数值逼近，即，当隐藏状态位于$\mathbb{R}^d$与$d$大。对于低维问题，一致性推理的最流行的数值方法之一是称为粒子滤波器或序贯蒙特卡罗方法的近似类。然而，在高维度中，标准粒子滤波器（例如，自举粒子滤波器）可以具有在$d$中为指数的成本，以使算法在适当的意义上稳定。我们开发了一种新的粒子滤波器，称为\emph{space-time particle filter}，在离散时间的状态空间模型的一个特定的家庭。这类新的粒子滤波器为任何固定的$d$提供一致的蒙特卡罗估计，就像标准的粒子滤波器一样。此外，我们预计，状态空间粒子滤波器将更好地扩展与$d$比标准的过滤器。我们说明了这一点分析的一个简单的i.i.d.模型。结构和一个马尔可夫结构的$d$维空间方向，当我们表明，该算法表现出一定的稳定性，$d$增加的成本$\mathcal{O}(nNd^2)$，其中$n$是时间参数和$N$是Monte Carlo样本的数量，这是固定的和独立的$d$。在比i.i.d.~更一般的结构下，预计类似的结果也成立。一个.独立于维度。我们的理论结果也支持复杂结构的实际模型的数值模拟。结果表明，它确实是可以解决一些高维滤波问题，使用时空粒子滤波器，标准的粒子滤波器不能处理。
2014-12-11 stat.CO
Multilevel Bootstrap Particle Filter
我们考虑的情况下，序贯蒙特卡罗粒子滤波器的适用性受到损害，由于昂贵的评价的粒子权重。为了缓解这个问题，我们提出了一种新的粒子滤波器算法的基础上的多级方法。我们证明了所得到的多级自举粒子滤波器（MLBPF）在温和的条件下保持了经典粒子滤波器的强大数定律和中心极限定理。我们的数值实验表明，在某些设置相比，经典的自举粒子滤波器的计算时间减少了85\%。虽然应该承认，这种减少是高度依赖于应用程序，类似的增益不应该被期望为所有应用程序的全面，我们认为，这种实质性的改善，在某些设置使MLBPF的一个重要的除了家庭的序贯蒙特卡罗方法。
2022-01-21 stat.CO
Approximating Posterior Predictive Distributions by Averaging Output From Many Particle Filters
本文介绍了{ \it粒子群滤波器}（不要与粒子群优化混淆）：一个递归的并行算法，目标是通过平均来自许多粒子滤波器的期望近似值来近似后验预测分布序列。给出了一个大数定律和一个中心极限定理，并对一个随机波动率模型的模拟数据进行了数值研究。
2021-02-14 stat.ME stat.ML
Particle Filters for Multiscale Diffusions
我们考虑多尺度随机系统，部分观察到的慢时间尺度的离散点。我们引入了一个粒子滤波器，利用系统的多尺度结构，有效地逼近最优滤波器。
2007-10-26 stat.CO
MapReduce Particle Filtering with Exact Resampling and Deterministic Runtime
粒子滤波是一种数值贝叶斯技术，在解决涉及非线性和非高斯模型的序贯估计问题方面具有很大的潜力。由于通过粒子滤波器实现的估计精度随着粒子数量的增加而提高，因此自然要考虑尽可能多的粒子。MapReduce是一种通用编程模型，可以将各种算法扩展到大数据。然而，尽管粒子滤波器在许多领域的应用，很少有人关注实现粒子滤波器使用MapReduce。在本文中，我们描述了一个粒子滤波器使用MapReduce的实现。我们专注于一个组件，否则将是一个瓶颈，并行执行，reserve组件。我们设计了一个新的实现这个组件，它不需要近似，具有$O\left(N\right)$空间复杂度和确定性的$O\left(\left(\log N\right)^2\right)$时间复杂度。结果表明，该新组件的实用性，并最终在考虑粒子滤波器与$2^{24}$粒子分布在$512$处理器内核。
2017-05-04 cs.DC stat.CO
Improved Particle Filters for Vehicle Localisation
跟踪移动车辆的能力在许多应用中至关重要。由于粒子滤波器能够对非线性和非高斯动态进行建模，因此该任务通常由重要性抽样技术来处理，其中在道路网络上行驶的车辆是一个很好的例子。当观测信息量很大时，粒子滤波器的性能很差。在本文中，我们解决这个问题，提出了粒子滤波器的样本周围最近的观察。该建议导致了一个数量级的改进，在传统的粒子滤波器的精度和效率，特别是当观察是罕见的，但低噪声。
2016-11-15 stat.ML
Error Analysis for the Particle Filter: Methods and Theoretical Support
粒子滤波器是一种流行的贝叶斯滤波算法，用于状态空间模型为非线性和/或随机项（初始状态或噪声）为非高斯分布的情况。我们研究了当粒子数变大时，粒子滤波器算法中的误差行为。在将误差分解为两个项之后，我们证明了当在滤波过程的每一步都进行重建时，估计量和条件均值之间的差是渐近正态的。两个非线性/非高斯的例子来验证这一结论。
2019-03-26 stat.AP stat.CO
A scalable optimal-transport based local particle filter
空间扩展动力系统的滤波是一个具有挑战性的问题，具有重要的实际应用，如数值天气预报。粒子滤波器允许渐近一致的推理，但需要不切实际的大合奏规模的准确估计在复杂的空间模型。本地化的方法，它执行本地状态更新，通过利用在遥远的点的变量之间的低依赖性，已被建议作为一个潜在的解决方案，这个问题。然而，局部地简单地应用粒子滤波器的重新采样步骤会产生难以置信的空间不连续状态。整体变换粒子滤波器用最优传输映射代替了粒子滤波，并且可以通过计算每个空间网格节点的映射来定位。然而，所得到的局部系综传输粒子滤波器对于密集网格是计算密集的。我们提出了一种新的基于最优传输的局部粒子滤波器，它计算固定数量的独立于网格分辨率的地图，并在空间上插入这些地图，减少了所需的计算，并允许它确保粒子保持空间平滑。我们数值说明，在降低计算成本，我们能够实现相同的精度作为本地合奏运输粒子滤波器，并保留其改进的鲁棒性非高斯和能力，以量化不确定性相比，本地合奏卡尔曼滤波器。
2019-06-03 stat.CO
Kernel density estimates in particle filter
本文研究了粒子滤波器中滤波密度的核密度估计。通过傅立叶分析研究了估计的收敛性。在对滤波密度的Sobolev性质作一定假设的情况下，证明了该估计在均方误差意义下收敛于理论滤波密度。一个充分条件的持久性，这Sobolev字符随时间的推移。这两个结果被扩展到偏导数的估计和过滤密度。
2014-07-28 stat.CO
Monte Carlo twisting for particle filters
我们考虑了扭曲Feynman-Kac模型的有效粒子滤波器的设计问题。使用扭曲模型的粒子滤波器可以提供统计量的低误差近似，并且可以迭代地学习这种扭曲函数。这些算法的实际实现是复杂的，因为需要（i）从扭曲的过渡动力学采样，以及（ii）计算扭曲的势函数。我们扩展类的适用模型使用拒绝抽样（i）和无偏近似（ii）使用随机权重粒子滤波器。为了控制计算量，我们在粒子滤波器中引入了平均接受率，并分析了其渐近方差。实验结果表明，该方法的归一化常数估计的均方误差小于记忆等效粒子滤波器，而不是计算等效滤波器。这两个比较时，更有效的采样是可能的，我们证明了随机波动率模型的改进。
2022-08-08 stat.CO stat.ME
Maneuvering, Multi-Target Tracking using Particle Filters
在这项工作中，我们开发的跟踪和估计技术相关的水下目标。特别是，我们探索粒子滤波技术的目标跟踪。它是一种用于实现递归贝叶斯估计过程的数值近似方法。它不需要像传统的基于卡尔曼滤波器的技术那样假设线性和高斯性，并且能够处理测量中的非高斯噪声分布和非线性以及目标动态。粒子滤波器的性能进行了验证，并与扩展卡尔曼滤波器进行了比较。粒子滤波器可以跟踪多目标和高度机动的目标。但是，它具有较高的计算负荷。在这项工作中，还探讨了粒子滤波器的有效使用的多目标跟踪使用独立分区粒子滤波器（IPPF）和跟踪高度机动目标使用多模型粒子滤波器（MMPF）。这些技术只需要较少数量的粒子，并有助于降低计算成本。在多目标跟踪中，由于观测者不知道目标与观测值之间的关联关系，存在数据关联问题。当目标移动得更近并且在观测器处存在杂波和错过目标检测时，问题变得更加复杂。蒙特卡罗联合概率数据关联滤波器（MCJPDAF）有效地解决了上述情况下的数据关联。针对标准MCJPDAF无法跟踪高机动目标的问题，提出了在MC-JPDAF框架下结合多模型粒子滤波（MMPF）技术的蒙特卡罗多模型联合概率数据关联滤波（MC-MMJPDAF）。仿真结果表明了该方法的优越性。
2019-10-10 eess.SP stat.CO
Forecasting observables with particle filters: Any filter will do!
我们研究了状态空间模型中滤波器选择对预测精度的影响。过滤器被用来估计参数的后验分布，通过粒子边缘Metropolis-Hastings（PMMH）算法，并从最终状态的过滤后的分布产生绘制。多个过滤器是受理，包括两个新的数据驱动的方法。模拟练习用于记录每个PMMH算法的性能，在计算时间和链的效率方面。然后，我们使用固定数量的粒子和马尔可夫链绘制，为观测变量的一步前值生成预测分布。尽管在效率上存在明显差异，但过滤器产生几乎相同的预测精度，该结果在模型的正确和不正确规范下都保持不变。这种预测性能对过滤器规格的不变性也是标准普尔500指数日收益率实证分析的特征。
2019-08-20 stat.CO stat.ME
Adaptive online variance estimation in particle filters: the ALVar estimator
本文提出了一种新的方法--ALVar估计--来估计序贯蒙特卡罗方法或粒子滤波器中的渐近方差。本文提出了一种自适应调整估计器滞后的方法。（2019年）。粒子滤波器中方差的数值稳定在线估计。Bernoulli，25（2），pp. 1504-1535]适用于非常一般的分配流和粒子滤波器，包括具有自适应恢复的辅助粒子滤波器。该算法完全在线操作，在这个意义上，它是能够实时监控的粒子滤波器的方差，平均而言，恒定的计算复杂度和每次迭代的内存需求。关键是，它不需要校准任何算法参数。仅基于传播粒子云的谱系来估计方差，而无需额外的模拟，该例程仅需要对底层粒子算法添加少量代码。最后，我们证明了ALVar估计是一致的真正的渐近方差的粒子数趋于无穷大，并说明其优越性，现有的方法。
2022-07-19 stat.CO
Likelihood Consensus and Its Application to Distributed Particle Filtering
本文研究了无融合中心的无线传感器网络中的分布式状态估计。每个传感器执行一个全局估计任务-基于所有传感器的过去和当前测量-仅使用本地处理和与其邻居的本地通信。在此估计任务中，联合（所有传感器）似然函数（JLF）起着核心作用，因为它概括了所有传感器的测量。我们提出了一个分布式的方法计算，在每个传感器，通过共识算法的JLF的近似。如果各种传感器的局部似然函数（被视为局部测量的条件概率密度函数）属于指数分布族，则该“似然一致性”方法是适用的。然后，我们使用似然共识方法来实现分布式粒子滤波器和分布式高斯粒子滤波器。每个传感器运行计算全局状态估计的局部粒子滤波器或局部高斯粒子滤波器。每个局部（高斯）粒子滤波器中的权重更新采用JLF，其通过似然一致性方案获得。对于分布式高斯粒子滤波器，粒子数可以通过一个额外的一致性计划的手段显着减少。仿真结果评估的多目标跟踪问题的建议分布式粒子滤波器的性能。
2012-08-01 cs.IT math.IT stat.AP
Emperical Study on the Effect of Multi-Sampling in the Prediction Step of the Particle Filter
针对粒子滤波平滑分布计算中粒子退化致精度下降的问题，本文探究预测步生成多粒子的方案，并通过真实数据实证验证其效果。
2024-05-15 stat.CO
A hybrid particle-ensemble Kalman filter for problems with medium nonlinearity
本文提出了一种混合粒子系综卡尔曼滤波器，用于解决具有中等非高斯性的问题，即先验信息非常非高斯但后验信息近似高斯的问题。出现这种情况，例如，当非线性动力学产生非高斯预测，但紧高斯似然导致接近高斯后验。混合滤波器通过分解可能性开始。首先，粒子滤波器同化的观测值与一个因素的可能性，产生一个中间的先验是接近高斯，然后集合卡尔曼滤波完成同化与其余的因素。如何在两个阶段之间分割似然性以这样的方式确定，以确保粒子滤波器避免崩溃，并且通过均值保持随机正交变换来打破粒子退化。在一个简单的二维（2D）问题和一个多尺度系统的常微分方程的动机洛伦兹-96模型的混合测试。在2D问题中，它优于一个纯粒子滤波器和一个纯集合卡尔曼滤波器，并在多尺度Lorenz-'96模型中，它被证明优于一个纯集合卡尔曼滤波器，只要集合大小足够大。
2021-01-04 physics.comp-ph stat.ME
Comparison of SCIPUFF Plume Prediction with Particle Filter Assimilated Prediction for Dipole Pride 26 Data
本文介绍了一个粒子滤波器的数据同化的背景下，基于喷流扩散模式的应用。粒子滤波器提供对高阶矩的估计，并且非常适合于强非线性和/或非高斯模型。采用高斯烟团模型SCIPUFF，对化学事故后的化学浓度场进行了预测。该模型是高度非线性的，并且随着可变的状态维度而演变，并且在足够的时间之后，高维。虽然粒子滤波器形式主义自然地支持可变状态维数，但高维表示在选择足够数量的粒子方面的挑战，特别是对于Bootstrap版本。我们提出了一种实现的Bootstrap粒子滤波器，并比较其性能与SCIPUFF预测。该模型和粒子滤波器都是在Dipole Pride 26实验数据上进行评估的。由于没有可用的基础事实，数据被分为两组：训练和测试。我们表明，即使有一个适度的粒子数，Bootstrap粒子滤波器提供了更好的估计的浓度场相比，过程模型，而不会过度增加计算复杂性。
2011-07-08 cs.DC physics.data-an stat.AP
ILAPF: Incremental Learning Assisted Particle Filtering
本文研究了基于一系列存在离群值的有噪测量的动态系统状态估计。提出了一种增量学习辅助粒子滤波（ILAPF）方法，该方法在粒子滤波过程中对离群值的取值范围进行增量学习。然后，使用所学习的异常值范围来改进对未来状态的后续过滤。离群值范围估计过程的收敛性表明了广泛的经验模拟使用一组不同的离群值分布模型。仿真结果表明，ILAPF算法比鲁棒粒子滤波器具有更高的滤波精度和更快的滤波速度. ILAPF算法的增量学习特性为实现相关状态过滤任务间的迁移学习提供了一种有效的途径。
2018-02-01 stat.CO stat.ME
Riemann-Langevin Particle Filtering in Track-Before-Detect
检测前跟踪（TBD）是一种功能强大的方法，它直接为跟踪器提供传感器测量值，而无需预先检测。由于测量模型的非线性，TBD中的在线状态估计最常通过粒子滤波来解决。现有的用于TBD的粒子滤波器不将测量信息并入其建议分布中。朗之万蒙特卡罗（LMC）是一种采样方法，其建议是能够利用所有可用的知识后（即，先验和测量信息）。这封信综合了最新的进展，基于LMC滤波描述黎曼-朗之万粒子滤波器，并介绍了其新的应用TBD。我们的方法的好处是在一个具有挑战性的低噪音的情况下说明。
2017-05-03 stat.AP stat.CO
A divide and conquer strategy for multinomial particle filter resampling
University of Hawai’i at Manoa（夏威夷大学马诺阿分校）
本文提出一种新的多名义重采样方法，适用于样本数小于等于底层离散分布大小的情况，通过计算复杂度分析和数值实验验证其优越性。
2026-04-01 cs.DS stat.CO
Parameter Learning and Change Detection Using a Particle Filter With Accelerated Adaptation
University of Technology Sydney（悉尼科技大学）
本文提出了一种粒子滤波器，它结合了遗传算法的启发元素，以实现加速适应的估计后验分布模型参数的变化。具体地，该滤波器被设计用于在线顺序滤波中的后续数据与基于直到当前时间点的数据的模型后验滤波不匹配的情况。所考虑的例子包括参数政权转移和随机波动。该过滤器适应政权转移非常迅速，并提供了一个明确的启发式区分政权转移和随机波动，即使该过滤器假设的模型动态表现出这些功能。
2018-06-14 cs.CE cs.LG cs.NE
Variance estimation in the particle filter
本文研究了粒子滤波器中蒙特卡罗误差的数值评估。我们表明，通过跟踪的某些关键功能的谱系结构所产生的resternation操作，它是可能的估计方差的粒子滤波器提供了一些标准的蒙特卡罗近似。我们所有的估计量都可以从粒子滤波器的单次运行中计算出来，而无需进一步的模拟。我们建立，随着粒子数的增长，我们的估计是弱一致的渐近方差的蒙特卡罗近似，其中一些也是非渐近无偏的。渐近方差可以分解成对应于算法的每个时间步的条款，我们展示了如何一致地估计这些条款。当粒子的数量可能随时间变化时，这允许粒子数量的渐近最优分配的近似。
2016-06-28 stat.CO
Particle filter with rejection control and unbiased estimator of the marginal likelihood
我们考虑在序贯蒙特卡罗方法中结合使用剩余和部分拒绝控制，也称为粒子滤波器。虽然方差减少性能的拒绝控制是已知的，有没有（据我们所知）在这种类型的粒子滤波器的边际似然（也称为模型证据或归一化常数）的无偏估计的任何工作。能够无偏差地估计边际似然对于模型比较、可解释和可靠置信区间的计算以及精确近似方法（例如粒子马尔可夫链蒙特卡罗）是高度相关的。在本文中，我们提出了一个粒子滤波器与拒绝控制，使无偏估计的边际似然。
2020-03-04 stat.CO stat.ML
Bernoulli Race Particle Filters
当粒子滤波器中的权重不能解析地获得时，不能采用标准的恢复方法。为了避免这个问题，最先进的算法用非负无偏估计代替真实权重。该算法仍然有效，但与使用真实权重的粒子滤波器相比，代价是所得滤波估计的方差更高。我们在这里提出了一种新的算法，允许restering根据真正的棘手的权重时，只有一个无偏估计量的权重。我们证明了我们的算法上的几个例子。
2019-03-03 stat.CO stat.ML
Improving the particle filter in high dimensions using conjugate artificial process noise
粒子滤波器是对一般非线性、非高斯模型进行状态推断和辨识的最成功的方法之一。然而，标准的粒子滤波器遭受粒子权重的退化，特别是对于高维问题。我们提出了一种方法，用于提高某些具有挑战性的状态空间模型的粒子滤波器的性能，与高维推理的影响。首先，我们通过在额外的状态更新中添加人工过程噪声来近似模型，然后我们设计了一个结合标准和局部最优建议的建议。这会导致偏差-方差权衡，其中添加更多噪声会降低估计的方差，但会增加模型偏差。在线性高斯状态空间模型和非线性Lorenz'96模型上对所提出的方法的性能进行了经验评估。对于这两个模型，我们观察到一个显着的改进，在标准的粒子滤波器的性能。
2018-11-22 stat.CO
On Coupling Particle Filter Trajectories
粒子滤波器是对状态空间模型进行推理的强大而灵活的工具。它们涉及通过取样和重新取样步骤的组合，收集随时间演变的样本。重采样步骤是必要的，以确保避免权重退化。在几种统计感兴趣的情况下，重要的是能够比较由两个不同的粒子滤波器产生的估计;因此，能够有效地耦合两个粒子滤波器轨迹通常是至关重要的。在本文中，我们提出了几种方法来做到这一点。特别是，我们利用最佳运输文献的想法。在一般情况下，虽然，计算最佳的运输地图是非常昂贵的计算，为了处理这个问题，我们引入计算上易于处理的近似最佳运输耦合。我们证明，我们得到的算法耦合两个粒子滤波器轨迹往往执行数量级更有效地比更标准的方法。
2017-03-16 math.PR stat.CO
Multilevel Particle Filters for Lévy-driven stochastic differential equations
我们开发的算法计算期望的法律模型相关的随机微分方程（SDEs）驱动的纯Lévy过程。我们考虑过滤这样的过程，以及定价的路径依赖的选项。我们提出了一个多层次的粒子滤波器（MLPF），以解决这些连续问题所涉及的计算问题。我们通过数值模拟和理论结果表明，在适当的假设下的离散化的基本驱动Lévy过程，我们提出的方法达到最佳的收敛速度。与标准粒子滤波器$O(ε^{-3})$相比，获得MSE $O(ε^2)$的成本与我们的方法的$O(ε^{-2})$相似。
2018-07-11 stat.CO
Differentiable Particle Filtering without Modifying the Forward Pass
University of British Columbia（不列颠哥伦比亚大学）；Inverted AI；Mila
粒子滤波器与自动微分不兼容，这是由于存在离散的再分解步骤。虽然基于Fisher恒等式的得分函数的已知估计量可以使用粒子滤波器来计算，但到目前为止，它们需要手动实现。在本文中，我们表明，这样的估计可以使用自动微分计算，引入一个简单的修正粒子权重后。该校正利用停止梯度算子，并且不修改前向传递上的粒子滤波器操作，同时还便宜且易于计算。令人惊讶的是，在相同的校正下，自动微分也可以为后验期望的梯度产生良好的估计。因此，我们可以把我们的方法看作是使粒子滤波器可微的一般方法。我们还表明，它产生所需的估计二阶导数，以及如何扩展它，以进一步减少额外的计算费用的方差。
2021-10-19 cs.LG stat.ML
Bridging the ensemble Kalman and particle filter
在蒙特卡罗非线性滤波的许多应用中，传播步骤在计算上是昂贵的，因此，样本量是有限的。对于小的样本量，更新步骤变得至关重要。粒子滤波有一个众所周知的问题，即样本退化。包围卡尔曼滤波避免了这一点，但代价是错误地处理预测分布的非高斯特征。在这里，我们介绍了一个程序，使连续过渡的伽玛索引[0，1]之间的合奏和粒子滤波器更新。我们建议自动选择的参数伽玛，使更新保持尽可能接近粒子滤波器更新，以避免退化。在各种例子中，我们表明，这一过程导致更新，即使在高维的情况下，也能够处理预测样本的非高斯特征。
2012-11-14 stat.ME
Coupling of Particle Filters
粒子滤波器提供了难以处理的量的蒙特卡罗近似，例如状态空间模型中似然性的逐点评估。在许多情况下，当某些参数或输入变化时，感兴趣的是这些量的比较。为了方便这样的比较，我们介绍和研究的方法来耦合两个粒子滤波器在这样一种方式，两个底层粒子系统之间的相关性增加。动机源于经典的方差减少技术的正相关的两个估计。构造这种耦合的关键挑战来自于粒子滤波器的恢复步骤的不连续性。作为我们的第一个贡献，我们认为耦合reservation算法。在自举粒子滤波器中，它们提高了分数向量的有限差分估计的精度，并提高了用于参数推断的粒子边缘梅特罗波利斯-黑斯廷斯算法的性能。第二个贡献产生于使用这些耦合rescue计划内的条件粒子滤波器，允许平滑泛函的无偏估计量。其结果是一个新的平滑策略，平均的独立和无偏估计量，这允许1）直接并行化和2）准确的误差估计的建设。上述两种情况都不可能与现有的粒子平滑器。
2016-07-16 stat.CO stat.ME
Variational Marginal Particle Filters
Manning College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）
状态空间模型的变分推断是一个困难的问题。最近的工作集中于从无偏的序贯蒙特卡罗估计量推导变分目标。我们发现，边缘粒子滤波器是从序贯蒙特卡罗通过应用Rao-Blackwellization操作，牺牲了减少方差和可微的轨迹信息。我们提出了变分边缘粒子滤波器（VMPF），这是一个可微的和重新参数化的变分滤波目标的SSM的基础上的无偏估计量。我们发现，VMPF有偏梯度提供更紧密的界限比以前的目标，和无偏的重新参数化梯度有时是有益的。
2022-03-14 cs.LG stat.ML
Particle Filter Networks with Application to Visual Localization
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）
粒子滤波是一种功能强大的方法，顺序状态估计，并发现在许多领域的应用，包括机器人定位，对象跟踪，在实践中应用粒子滤波等，一个关键的挑战是构建概率系统模型，特别是对于系统具有复杂的动态或丰富的感官输入，如摄像机图像。本文介绍了粒子滤波网络（PFnet），它编码的系统模型和粒子滤波算法在一个单一的神经网络。PF网络是完全可区分的，并从数据中进行端到端的训练。它不是学习通用系统模型，而是学习针对粒子滤波算法优化的模型。我们将PF-网应用于视觉定位任务，其中机器人必须在丰富的3-D世界中进行定位，仅使用示意性的2-D楼层地图。在仿真实验中，PF网络在各种传感器输入下的性能始终优于其他学习架构以及传统的基于模型的方法。此外，PF-net可以很好地推广到新的、看不见的环境。
2018-10-25 cs.AI cs.CV cs.LG
Multiplicative Gaussian Particle Filter
National University of Singapore（新加坡国立大学）；University of Adelaide（阿德莱德大学）
我们提出了一种新的基于采样的方法，在过滤问题的近似推理。而不是近似条件分布与一组有限的状态，如在粒子滤波器，我们的方法近似分布与一组连续函数的函数的加权和。该方法的核心是使用采样来近似贝叶斯滤波器中的乘法。我们提供了理论分析，给出采样条件，以提供良好的近似。接下来，我们专门讨论高斯的加权和的情况，并展示高斯的性质如何实现封闭形式的转换和有效的乘法。最后，我们对机器人定位问题进行了初步的实验，并与粒子滤波器的性能进行了比较，以证明所提出的方法的潜力。
2020-02-29 cs.LG stat.ML
Non-Bayesian particle filters
University of California at Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
针对非线性问题中的数据同化，提出一种非贝叶斯粒子滤波方法，通过直接迭代采样相关概率密度函数，减少所需粒子数量。
2009-05-13 cs.NA math.NA stat.CO
Decentralized, Adaptive, Look-Ahead Particle Filtering
University of British Columbia（不列颠哥伦比亚大学）
分散式粒子滤波器（DPF）是近年来提出的一种提高粒子滤波并行性的方法。给定将状态空间分解成两个嵌套的变量集合，DPF使用粒子滤波器对第一集合进行采样，然后对该样本进行调节以生成第二变量集合的样本集合。DPF可以理解为流行的Rao-Blackwellized粒子滤波器（RBPF）的变体，其中第二步使用蒙特卡罗近似而不是分析推理来执行。因此，DPF的应用范围比RBPF的应用范围更广。本文从两个方面对DPF进行了改进。首先，我们推导出一个蒙特卡罗近似的最佳建议分布，因此，设计和实现一个更有效的前瞻DPF。虽然分散式过滤器最初的设计是利用并行实现，我们表明，前瞻性DPF可以优于标准的粒子滤波器，即使在一台机器上。其次，我们提出使用强盗算法来自动配置DPF的状态空间分解。
2012-03-12 cs.LG stat.CO stat.ML
