Variable Dimension IMM and GPB2 Filters for Tracking in Multiple Model Systems
Universidad Politécnica de Madrid(马德里理工大学)
本文提出变维交互多模型(VD-IMM)和变维二阶广义伪贝叶斯(VD-GPB2)滤波器,通过贝叶斯建模和KLD最小化处理不同维度状态的多模型跟踪,仿真验证其优于现有方法。
2026-09-28 eess.SP
Uncertainty Propagation in Finite Impulse Response Filters: Evaluating the Gaussian Assumption
本文研究了FIR滤波器在均匀量化噪声下的输出不确定性,发现其输出不确定性分布不服从高斯分布,但可通过最主要的滤波器系数进行估计。
2025-10-13 eess.SP
Distributed Gaussian Mixture PHD Filtering under Communication Constraints
针对分布式多目标跟踪中现有GM-PHD滤波存在的成本高或收敛性无保障问题,提出一种采用概率通信规则、基于高斯混合加权平均一致性的递推方法,在限制带宽的同时保证渐近最优性,可避免误检,适用于资源受限传感器网络。
2023-08-01 eess.SP
Multidimensional Gabor-Like Filters Derived from Gaussian Functions on Logarithmic Frequency Axes
Norwegian University of Science and Technology(挪威科技大学)
提出一种基于对数频率轴高斯函数逆傅里叶变换的新型多维类小波函数,可便捷构建滤波器组,天然包含低通滤波,可视为广义多维Log-Gabor滤波器。
2024-01-19 cs.CV cs.LG cs.NE
Effect of filter shape on excess noise performance in continuous variable quantum key distribution with Gaussian modulation
量子密码学的一个有吸引力的实现是连续变量变化,因为它依赖于标准的电信组件。使用高斯格式调制量子信号是有吸引力的,因为它已被证明是安全的。研究了根升余弦脉冲整形和匹配滤波器的滚降对高斯调制量子密钥分发系统的超噪声性能的影响。与直觉相反,发现滚降参数不会显著影响系统的性能。
2018-08-14 eess.SP quant-ph
Numerical Gaussian process Kalman filtering
KU Leuven(荷语鲁汶大学)
本文介绍了数值高斯过程卡尔曼滤波(GPKF)。数值高斯过程是近年来发展起来的一种模拟时空模型的方法。本文的贡献是将数值高斯过程嵌入到递归卡尔曼滤波方程中。这种嵌入使我们能够使用高斯过程对无限维系统进行卡尔曼滤波。这是可能的,因为i)我们从数值高斯过程获得线性模型,以及ii)该模型的状态根据定义是高斯分布的随机变量。数值GPKF的方便特性是不需要模型的空间离散化,并且不需要手动设置卡尔曼滤波器,即手动微调过程和测量噪声水平,因为它们是从数据流在线学习的。我们展示的能力的数值GPKF的平流方程的模拟研究。
2020-05-11 cs.LG eess.SP stat.CO
Removing Multi-frame Gaussian Noise by Combining Patch-based Filters with Optical Flow
基于块的方法,如3D块匹配(BM3D)和非局部贝叶斯(NLB)是广泛接受的过滤器,用于从单帧图像中去除高斯噪声。在这项工作中,我们提出了三个扩展这些过滤器时,存在多个帧的同一场景。第一种方法在每帧图像上采用参考图像块,而不是通常使用的单参考帧方法,从而利用了完整的可用信息。剩下的两种技术使用可分离的时空滤波器来减少不同区域之间的相互作用,从而减轻伪影。为了处理未注册的数据集,我们将所有扩展与强大的光流计算相结合。我们提出的两个多帧滤波器在大多数情况下都优于现有的扩展,同时也与最先进的基于神经网络的技术竞争。此外,这两种策略中的一种由于其可分离的设计而在所有策略中最快。
2021-05-19 eess.IV eess.SP
Gaussian implementation of the multi-Bernoulli mixture filter
University of Liverpool(利物浦大学);Chalmers University of Technology(查尔姆斯理工大学);Commonwealth Scientific and Industrial Research Organisation(联邦科学与工业研究组织)
本文提出了多伯努利混合(MBM)滤波器的高斯实现。MBM滤波器在出生模型为多伯努利或多伯努利混合时为标准动态和雷达测量模型提供滤波(多目标)密度。在线性/高斯模型下,MBM混合物的单个目标密度允许高斯封闭形式的表达式。Murty算法用于选择具有最高权重的全局假设。MBM滤波器与文献中的其他算法进行了比较,通过数值模拟。
2019-08-23 cs.CV eess.SP stat.AP
A New Parameterized Family of Stochastic Particle Flow Filters
在本文中,我们有兴趣获得以下问题的答案,粒子流过滤器:我们可以提供一个理论保证,粒子流过滤器给出正确的结果,如无偏估计?粒子流是否稳定,在什么条件下稳定?我们能有一个粒子流过滤器,而不是多个看似不同的?为了回答这些问题,我们首先推导出一个参数化的随机粒子流滤波器,其中粒子流是由先验知识和测量似然信息的线性组合驱动的家庭。然后,我们表明,在文献中存在的几个粒子流是这个家庭的特殊情况。我们证明了粒子流是无偏的线性测量和高斯分布的假设下,从随机流构造的估计是一致的。我们进一步建立了几个有限时间稳定性的概念,这个新的家庭的随机粒子流。本文报道的结果代表了一个显着的发展,朝着建立颗粒流过滤器的理论基础。
2021-09-27 eess.SP math.PR
Autonomous Robotic Radio Source Localization via a Novel Gaussian Mixture Filtering Approach
Faculty of Engineering and Applied Sciences(工程与应用科学学院);Cranfield University(克兰菲尔德大学);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院);Cho Chun Shik Graduate School of Mobility(Cho Chun Shik 移动研究生院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对未知环境下自主机器人无线电源定位的部分可观测与测量不确定问题,提出新型高斯混合滤波器,经数值基准与野外实验验证,其性能优于粒子滤波器,兼具低计算量与高鲁棒性。
2025-06-13 cs.RO eess.SP
Stability and Convergence of Stochastic Particle Flow Filters
在本文中,我们研究动态特性的粒子流最近派生的参数化家庭的随机粒子流过滤器的非线性过滤和贝叶斯推理。特别是,我们建立了粒子保持所需的后验分布,没有高斯假设的测量可能性。采用李雅普诺夫稳定性的概念,我们进一步表明,粒子保持接近,但不收敛到后验分布的最大似然估计。结果表明,该随机粒子流滤波器族保持了粒子流的稳定性。
2021-08-11 eess.SP math.PR
[Re] The Discriminative Kalman Filter for Bayesian Filtering with Nonlinear and Non-Gaussian Observation Models
Rice University(莱斯大学)
本研究复现了Burkhart等人2020年提出的判别式卡尔曼滤波器的神经科学核心结果,提供了该MATLAB算法的开源Python替代版本,通过多随机种子和未用试次进一步验证了滤波器有效性。
2024-01-24 cs.LG cs.RO eess.SP
On the Effect of Pulse Shaping Filters in Zak-OTFS Waveform for Radar Sensing
Indian Institute of Science, Bangalore(印度科学研究所班加罗尔分校)
本文研究Zak-OTFS雷达波形中不同脉冲成形滤波器(sinc、高斯-辛格滤波器)对自模糊函数的影响,发现sinc和GS滤波器主瓣更窄,在多目标密集场景下分辨率更高,而高斯滤波器旁瓣更低,在稀疏场景下性能更好;当采用干扰抑制接收机时,sinc和GS滤波器在两种场景下均优于高斯滤波器。
2026-05-28 cs.IT eess.SP math.IT
Stiffness Mitigation in Stochastic Particle Flow Filters
线性凸对数同伦已被用于粒子流滤波器的推导。一个自然的问题是考虑其他形式的同伦是否有益。我们重新审视这个问题,考虑一个一般的线性型的对数同伦,我们推导出粒子流过滤器,验证流量的分布,并获得条件的稳定性粒子流。然后,我们制定的刚度缓解的问题作为一个最优控制问题,通过最小化后密度函数的黑塞矩阵的条件数。通过求解一维二阶两点边值问题,可以有效地得到最优同伦。与传统的基于矩阵分析的条件数改进方法(如缩放)相比,该新方法显式地利用了粒子流滤波器中随机微分方程的特殊结构。数值算例验证了该方法的有效性。
2021-07-09 eess.SP math.OC
A Gaussian-Sinc Pulse Shaping Filter for Zak-OTFS
本文针对 Zak-OTFS 中 sinc 与高斯滤波器在 I/O 关系估计和均衡检测上各有优劣的问题,提出一种兼具两者互补优势的高斯-sinc 脉冲成形滤波器,推导了闭式 I/O 关系与噪声协方差,并通过实验证明其在多种设置下相比现有滤波器获得显著信噪比增益和更优误码率性能。
2025-02-06 cs.IT eess.SP math.IT
Feedback Capacity and a Variant of the Kalman Filter with ARMA Gaussian Noises: Explicit Bounds and Feedback Coding Design
New York University(纽约大学)
在本文中,我们与任何有限阶自回归移动平均(ARMA)高斯噪声的反馈信道的一个变种的卡尔曼滤波器。鉴于此,我们得到了相对明确的下界的反馈能力,这样的有色高斯噪声,和边界被认为是一致的各种现有的结果在文献中。同时,这种变体的卡尔曼滤波器也导致明确的递归编码方案具有明确的结构,以实现下界。在一般情况下,我们的研究结果提供了另一种观点,同时指出潜在的更严格的反馈能力问题的界限。
2021-06-03 cs.IT cs.LG cs.SY
Robust Maximum Correntropy Kalman Filter
卡尔曼滤波器为具有高斯噪声的线性系提供最优估计。然而,当噪声是非高斯的性质,其性能迅速恶化。对于非高斯噪声,最大相关熵卡尔曼滤波(MCKF)的发展,提供了一个改进的结果。但当系统模型与标称值不同时,MCKF的性能会下降。对于这种情况下,我们提出了一种新的鲁棒滤波技术,最大化的费用函数定义的指数加权过去和现在的错误以及高斯核函数。通过解决这个成本标准,我们开发了先验和后验均值和协方差阵传播方程。通过最大化误差矩阵的相关熵函数,我们选择了在每个时间步的核带宽值。并进一步给出了算法收敛的条件。给出了两个数值例子来说明新滤波技术的有效性。
2023-02-06 cs.SY eess.SP eess.SY
Adaptive Low-Pass Filtering using Sliding Window Gaussian Processes
Technical University of Munich(慕尼黑工业大学);Costa Rica Institute of Technology(哥斯达黎加理工学院)
当信号通过物理传感器测量时,它们会受到噪声的干扰。为了降低噪声,通常采用低通滤波器来衰减输入信号中的高频分量,而不管它们是来自噪声还是实际信号。因此,必须仔细调谐低通滤波器,以避免信号的显著恶化。这种调整需要关于信号的先验知识,这在强化学习或基于学习的控制等应用中通常不可用。为了克服这一局限性,我们提出了一种基于高斯过程回归的自适应低通滤波器。通过考虑先前观测的恒定窗口,可以实现足够快的更新和预测,以用于现实世界的过滤应用。此外,超参数的在线优化导致低通行为的自适应,使得不需要预先调谐。我们证明了所提出的方法的估计误差是一致有界的,并在几个仿真中证明了该方法的灵活性和效率。
2021-11-05 cs.LG cs.SY eess.SP
A Data-Driven Gaussian Process Filter for Electrocardiogram Denoising
Emory University(埃默里大学);Georgia Institute of Technology(佐治亚理工学院)
提出一种数据驱动的 GP 滤波器,利用 ECG 相位域简化计算并消除临时超参数,在 PhysioNet QT Database 上验证其在去噪和 QT 间期估计上优于小波基准滤波器。
2024-01-09 cs.LG eess.SP q-bio.QM
On the distributions of some statistics related to adaptive filters trained with $t$-distributed samples
在本文中,我们分析自适应滤波器或检测器的行为时,他们训练的$t$分布的样本,而不是高斯分布的样本。更准确地说,我们调查的一些相关的统计,包括信噪比损失和高斯广义似然比检验的分布的影响。本文导出了分块复$F$分布矩阵的一些性质,使之能够得到关于独立卡方分布随机变量的统计表示。这些表示相比,其高斯同行和数值模拟说明和量化的诱导退化。
2021-03-03 eess.SP math.ST stat.TH