学习随机滤波
统计力学
2022-10-26 v1 数据分析、统计与概率
摘要
我们通过与最优贝叶斯滤波的 Kullback-Leibler 散度来量化随机滤波近似的性能。以一个驱动布朗测量过程的两态马尔可夫过程作为典型测试用例,我们比较了两种随机滤波近似:作为基线的静态低通滤波器,以及使用非线性向量自回归(nVAR)的 Volterra 展开机器学习。我们强调了所选性能指标的关键作用,并针对预测介于 和 之间有界似然这一具体挑战提出了两种解决方案。
引用
@article{arxiv.2206.13018,
title = {Learning stochastic filtering},
author = {Rahul O. Ramakrishnan and Andrea Auconi and Benjamin M. Friedrich},
journal= {arXiv preprint arXiv:2206.13018},
year = {2022}
}
备注
15 pages, 3 figures