用于改进极值估计的自适应条件偏置惩罚卡尔曼滤波器及其降低计算量的近似
信号处理
2019-08-02 v1
摘要
在卡尔曼滤波器（KF）及其变体和扩展的许多信号处理应用中，极端状态的精确估计通常至关重要。然而，当所用观测存在不确定性时，KF 会遭受条件偏置（CB），导致右尾和左尾的极值分别被持续低估和高估。最近，CB 惩罚 KF（CBPKF）已被开发以解决 CB。本文提出了一种基于方差膨胀 KF 的替代公式，以减少计算和算法复杂度，并描述了自适应实现以改善无条件性能。为提供理论基础和背景，我们还给出了 CB 惩罚类 Fisher 估计和 CBPKF 的完整自包含描述。针对具有不同非平稳程度的线性系统的一维合成实验结果表明，自适应 CBPKF 在极端尾部将均方根误差较 KF 降低了 20% 至 30%，同时在无条件意义上性能与 KF 相当。发现替代公式非常接近原始公式，同时将计算时间减少到 KF 的 1.5 至 3.5 倍，具体取决于问题的维度。因此，当精确估计极值至关重要时，自适应 CBPKF 为信号处理中的动态滤波方法提供了一项重要补充。
引用
@article{arxiv.1908.00482,
title = {Adaptive Conditional Bias-Penalized Kalman Filter for Improved Estimation of Extremes and its Approximation for Reduced Computation},
author = {Haojing Shen and Haksu Lee and Dong-Jun Seo},
journal= {arXiv preprint arXiv:1908.00482},
year = {2019}
}
备注
9 pages, 5 figures, 3 tables