粒子滤波中建议分布在线学习的一种纯前向方案
统计计算
2026-01-23 v1
摘要
我们引入了一种使用前向方案在粒子滤波中构建建议分布的新型在线方法。我们的方法逐步纳入未来观测值以精化建议分布。这与需要访问整个数据集的后向方案算法形成对比，例如迭代辅助粒子滤波（Guarniero等人，2017年，arXiv:1511.06286）和受控序贯蒙特卡洛（Heng等人，2020年，arXiv:1708.08396），这些算法通过后向递归利用所有未来观测值。相比之下，我们的前向方案实现了建议分布的逐步改进，并收敛于这些后向方法所针对的建议分布。我们表明，即使在简单设置中，后向方法也可能在数值上不稳定。然而，我们的前向方法提供了显著更强的鲁棒性，仅在性能上（以边际似然估计量的方差衡量）有微小的折衷。基于模拟数据和真实数据的数值实验说明了我们前向方法增强的稳定性。
引用
@article{arxiv.2601.16089,
title = {A forward-only scheme for online learning of proposal distributions in particle filters},
author = {Sylvain Procope-Mamert and Nicolas Chopin and Maud Delattre and Guillaume Kon Kam King},
journal= {arXiv preprint arXiv:2601.16089},
year = {2026}
}