Particle filtering within adaptive Metropolis Hastings sampling
我们表明,它是可行的,进行精确的贝叶斯推断的非高斯状态空间模型使用自适应大都会Hastings采样计划的似然近似的粒子滤波器。此外,基于法线混合提议的自适应独立Metropolis Hastings采样器在计算上比自适应随机游动提议有效得多,因为与近似似然的成本相比,构造良好自适应提议的成本可以忽略不计。独立的大都会黑斯廷斯提案也很有吸引力,因为它们很容易在多个处理器上并行运行。我们还表明,当使用的粒子滤波器,任何模型的边际似然是在一个有效的和无偏的方式,使模型比较简单。
2009-11-02 stat.CO stat.ME
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
Likelihood Evaluation of Jump-Diffusion Models Using Deterministic Nonlinear Filters
在这项研究中,我们开发了一个确定性的非线性滤波算法的基础上的高维版本的Kitagawa(1987),以评估模型的似然函数,允许随机波动率和跳跃的到来强度也是随机的。我们数值计算表明,确定性滤波方法是精确的,比粒子滤波快得多,除了产生一个光滑的函数的参数空间。然后,我们找到了各种模型的最大似然估计,包括随机波动率,跳跃的回报和方差,以及随机跳跃到达强度与标准普尔500指数的每日回报。在大衰退期间,跳跃到达强度显著增加,并有助于波动性和负收益的聚集。
2019-06-29 q-fin.ST stat.CO stat.ME
Iterating marginalized Bayes maps for likelihood maximization with application to nonlinear panel models
Idaho State University(爱达荷州立大学);University of Michigan(密歇根大学)
本文提出了一种新的迭代过滤算法,通过边缘化步骤缓解高维粒子过滤问题,从而实现对非线性非高斯机理模型的似然推断,拓展了面板数据分析的动态模型应用范围。
2025-11-21 math.ST stat.CO stat.ME
A divide and conquer sequential Monte Carlo approach to high dimensional filtering
我们提出了一个分而治之的方法来过滤,将状态变量分解成低维组件,标准的粒子滤波工具可以成功地应用和递归合并它们,以恢复完整的过滤分布。它是较少依赖于因式分解的过渡密度和观测似然比竞争的方法,可以应用到更广泛的一类模型。性能比较与国家的最先进的方法的基准问题,它表明,所提出的方法是广泛可比的设置中,这些方法是适用的,它可以应用于设置中,他们不能。
2022-11-25 stat.CO stat.ME
Exploring the likelihood surface in multivariate Gaussian mixtures using Hamiltonian Monte Carlo
针对高斯混合模型似然多模态导致优化器易陷入局部最优的问题,提出用哈密顿蒙特卡洛探索高似然参数空间并结合拟牛顿优化的方法,经三分量二元混合模拟数据集测试,通过优化马尔可夫链混合性找到了对应数据集的全局最大似然估计。
2023-08-28 stat.ME
Accelerated inference for stochastic compartmental models with over-dispersed partial observations
针对带观测过度分散的部分观测随机仓室模型,提出基于LawPAL和拉普拉斯近似的快速确定性推断方法,兼具渐近精确性与计算效率,并嵌入Stan构建瑞士新冠疫情实用模型。
2025-05-21 stat.ME
Application of Girsanov Theorem to Particle Filtering of Discretely Observed Continuous-Time Non-Linear Systems
本文考虑了粒子滤波在连续-离散最优滤波问题中的应用,其中系统模型是随机微分方程,并且在离散时刻获得系统的噪声测量。它示出了如何Girsanov定理可用于评估似然比所需的重要性抽样。它还示出了如何的方法可以应用到一类模型,其中的驾驶噪声过程是在维数低于状态,因此状态和噪声的法律是不绝对连续的。还考虑了条件高斯模型和未知静态参数模型的Rao-Blackwellization。
2008-04-29 stat.CO stat.ME
Maximum Likelihood Recursive State Estimation using the Expectation Maximization Algorithm
针对非线性、非高斯状态空间模型,导出了一种极大似然递推状态估计器。该估计器结合粒子滤波器生成条件密度和期望最大化算法迭代计算极大似然状态估计。提出了极大似然状态滤波、预测和平滑算法。这些算法的收敛性,这是继承自期望最大化算法,证明和检查两个例子。结果表明,随机重新初始化,这是可行的,因为算法简单,这些方法是能够收敛到最大似然估计(MLE)的多峰,截断和偏态密度,以及不相交的支持。
2021-03-18 cs.SY eess.SY stat.ME
Piecewise Constant Sequential Importance Sampling for Fast Particle Filtering
粒子滤波器是非线性、非高斯动态下目标跟踪的关键算法。然而,粒子滤波器的高计算成本阻碍了它们在似然模型评估成本高或需要大量粒子来表示后验的情况下的适用性。我们介绍了近似顺序重要性抽样/恢复(ASIR)算法,其目的是通过近似的可能性与混合均匀分布在预定义的细胞或箱,以减少传统的粒子滤波器的成本。每个仓中的粒子由原始粒子分布的质心处的虚拟粒子表示,并且具有作为同一仓中所有粒子的状态的平均值的状态向量。仅为虚拟粒子评估似然性,并且将结果权重相同地指定给箱中的所有粒子。我们推导出这样得到的分段常数函数表示的近似误差的上界,并分析如何bin大小影响跟踪精度和运行时间。此外,我们数值表明,ASIR近似误差收敛到顺序重要性抽样/rescue(SIR)的bin大小减小。我们提出了一组数值实验,从生物图像处理和跟踪领域,证明ASIR的能力。总的来说,我们认为ASIR是一个有前途的候选人,简单,快速的粒子滤波在通用应用程序。
2014-02-03 cs.CC stat.CO
Sub-model aggregation for scalable eigenvector spatial filtering: Application to spatially varying coefficient modeling
提出用广义专家乘积聚合全局与局部 ESF 子模型,以可扩展、易实现且支持似然推断的方式完成空间变系数回归,并经模拟和日本地价分析验证。
2024-01-24 stat.ME
Asymptotic Expansion for Nonlinear Filtering in the Small System Noise Regime
AIP Center, RIKEN(理化学研究所先进智能计算中心)
本文针对小系统噪声下的非线性滤波问题,提出将条件期望展开为噪声水平幂级数并通过常微分方程组求解系数的渐近方法,结合 Edgeworth 型展开以低成本捕捉多峰等复杂分布特征。
2025-09-28 eess.SP math.PR stat.ME
Particle Filtering for Stochastic Navier-Stokes Signal Observed with Linear Additive Noise
我们考虑一个非线性滤波问题,即信号服从随机Navier-Stokes方程,并通过加性噪声的线性映射进行观察。该装置与数值天气预报和气候建模的数据同化有关,其中类似的模型用于未知的海洋或风速。我们提出了一种粒子滤波方法,使用似然通知的重要性建议,自适应回火,和少量的适当的马尔可夫链蒙特卡罗步骤。我们为每个步骤提供了详细的设计,并在我们的数值示例中显示,它们对于实现良好的性能和效率都至关重要。
2018-04-09 stat.CO
Nonlinear Kalman Filtering with Divergence Minimization
我们考虑的非线性卡尔曼滤波问题使用Kullback-Leibler(KL)和$α$ -发散措施作为优化准则。与线性卡尔曼滤波器不同,非线性卡尔曼滤波器不具有封闭形式的高斯后验,因为由于似然中的非线性而缺乏共轭性。在本文中,我们提出了新的算法来优化的前向和反向形式的KL分歧,以及α发散,其中包含这两个作为限制的情况下。与以前的方法不同,我们的算法不进行近似的发散被优化,但使用蒙特卡罗积分技术,以获得无偏算法直接优化。我们评估性能的雷达和传感器跟踪,和期权定价问题,表现出普遍的改善UKF和EKF,以及竞争力的性能与粒子滤波。
2017-05-01 math.OC stat.ML
Stochastic differential equation based on a multimodal potential to model movement data in ecology
本文提出了一种新的生态学中的个体运动模型。运动过程被定义为一个随机微分方程的解,其漂移是多峰势面的梯度。这为生态学中流行的基于势的运动模型提供了一种新的灵活方法。为了进行参数推断,广泛使用的欧拉法进行比较,与其他两个伪似然程序和蒙特卡洛期望最大化方法的基础上精确模拟扩散。所有方法的性能进行评估与模拟数据和渔船轨迹的数据集。我们表明,通常的欧拉法执行差于其他程序的所有采样方案。
2017-09-21 math.ST stat.AP stat.TH
Learning nonlinear state-space models using smooth particle-filter-based likelihood approximations
Uppsala University(乌普萨拉大学)
本文提出通过平滑粒子滤波近似似然函数,利用优化方法求解非线性状态空间模型参数,通过迭代提升估计精度。
2017-11-29 cs.SY eess.SY stat.CO
Differentiable Particle Filtering via Entropy-Regularized Optimal Transport
Aalto University(阿尔托大学);University of Oxford(牛津大学)
粒子滤波(PF)方法是一种用于在非线性状态空间模型中执行推理的既定程序。恢复是PF的关键成分,对于获得低方差似然和状态估计是必要的。然而,传统的恢复方法导致基于PF的损失函数关于模型和PF参数不可微。在变分推断的背景下,rescue也产生高方差梯度估计的PF为基础的证据下界。通过利用最优传输的思想,我们引入了一个原则性的可微粒子滤波器,并提供收敛结果。我们证明了这种新的方法在各种应用程序。
2021-06-30 cs.LG stat.CO stat.ML
Topological regularization with information filtering networks
UCL(伦敦大学学院);London School of Economics(伦敦政治经济学院)
介绍了一种利用信息过滤网络进行拓扑正则化的方法。该方法可直接应用于协方差选择问题,为线性和非线性多变量概率分布(如椭圆和广义双曲族)的稀疏概率建模提供了一种工具。它也可以直接实现为$L_0$ -范数正则化多元共线性回归。在本文中,我详细描述了一个应用程序的稀疏建模与多元学生t。一个特定的$L_0$范数正则化的期望最大化似然最大化过程,提出了这种稀疏的学生t的情况下。从股票价格日志回报和人工生成的数据的真实数据的例子证明了这种方法的适用性,性能和潜力。
2021-10-30 cs.LG stat.ML
The one step fixed-lag particle smoother as a strategy to improve the prediction step of particle filtering
针对经典bootstrap粒子滤波中预测步易致粒子匮乏引发滤波器退化的问题,提出单步固定滞后平滑器的简单近似方法,通过预测步额外仿真提升所选粒子似然性。
2023-12-13 stat.AP
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
Likelihood inference for exponential-trawl processes
针对整数值拖网过程的似然推断空白,研究聚焦指数拖网过程,提出基于预测分解、滤波平滑等的EM算法框架,可扩展至通用拖网过程。
2015-01-05 math.PR stat.ME
Differentiable Particle Filtering using Optimal Placement Resampling
1 Department of Control for Transportation;Vehicle Systems, Faculty of Transportation Engineering;Vehicle Engineering, Budapest University of Technology
本文提出了一种基于经验累积分布函数的可微重采样方法,用于解决传统粒子滤波中因非可微性导致的参数估计问题。
2024-02-26 cs.LG stat.CO
LatentTrack: Sequential Weight Generation via Latent Filtering
Independent Researcher, Baltimore, MD, USA(独立研究者)
LatentTrack通过潜在过滤实现序列权重生成,利用轻量级超网络在低维潜在空间中进行因果贝叶斯过滤,有效应对非平稳动态下的分布偏移问题。
2026-01-31 cs.AI cs.LG cs.RO
Training-free Adjustable Polynomial Graph Filtering for Ultra-fast Multimodal Recommendation
Yonsei University(延世大学);Seoul National University(首尔国立大学);NAVER Corporations(NAVER公司)
本文提出无需训练的多模态推荐方法,通过构建相似性图并利用多项式图滤波器融合多模态信号,提升推荐准确率并降低计算成本。
2026-03-24 cs.AI cs.IR cs.IT
Distributed Bayesian Filtering using Logarithmic Opinion Pool for Dynamic Sensor Networks
California Institute of Technology(加州理工学院);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
本文提出了一种分布式贝叶斯滤波算法,用于跟踪动态目标模型,利用对数意见池和动态平均一致性算法实现传感器节点的分布式融合,证明了算法的收敛性和鲁棒性,并给出了时间步长的界限。
2018-07-08 cs.IT cs.SY eess.SY
Latent Parameter Estimation in Fusion Networks Using Separable Likelihoods
University of Edinburgh(爱丁堡大学);Telecom-SudParis(电信南方学院)
本文提出一种更准确的可分离伪似然方法,用于在多传感器状态空间模型中估计潜在参数,并通过经验贝叶斯视角评估其在多目标和测量关联模糊情况下的有效性。
2018-01-02 cs.IT cs.MA cs.SY
Maximum likelihood recursive state estimation in state-space models: A new approach based on statistical analysis of incomplete data
本文回顾了Rauch等人(1965)的工作,并提出了一种新的递归极大似然粒子滤波方法。新方法是基于对系统不完全观测值的统计分析。引入了不完全观测/数据的评分函数和条件观测信息,并讨论了它们的分布性质。导出了不完全数据的得分函数和信息矩阵的一些恒等式。利用评分函数和观测信息矩阵给出了状态向量的极大似然估计。特别是,为了处理非线性状态空间,开发了一种序贯蒙特卡罗方法。它由EM-梯度-粒子滤波递归地给出,该EM-梯度-粒子滤波扩展了Lange(1995)的状态估计工作。为了推导状态估计误差的协方差阵,提出了观测信息矩阵的显式形式。它将Louis(1982)关于同一矩阵的一般公式推广到状态向量估计。在状态转移概率分布的Neumann边界条件下,该矩阵的逆与无偏状态估计器的估计误差的协方差阵的Cramer-Rao下界一致。在线性模型的情况下,该方法表明Kalman滤波器是一种完全有效的状态估计器,其估计误差的协方差阵满足Cramer-Rao下界。最后通过数值算例验证了主要结果。
2022-11-09 cs.IT cs.SY eess.SY
An Efficient Likelihood-Based Modulation Classification Algorithm for MIMO Systems
多输入多输出(MIMO)信号盲截获算法在现代民用和军事通信领域有着重要的应用,近年来受到了广泛的关注。截获过程中的一个关键步骤是盲识别MIMO信号的调制类型。这可以通过采用调制分类(MC)算法来执行,该算法可以是基于特征的或基于似然的。为了克服现有的基于似然的MC算法的问题,本文提出了一种新的算法。我们制定的MC问题最大化的全球似然函数,通过组合的似然函数的估计发送信号,其中最小均方误差(MMSE)滤波被用来分离成几个子信道的MIMO信道形成。仿真结果表明,该算法在各种运行条件下都能很好地工作,性能接近性能上界,具有合理的复杂度。
2016-05-24 cs.IT math.IT