论基于NUV-EM、高斯消息传递与卡尔曼平滑的稀疏性
信息论
2016-02-10 v1 math.IT
摘要
具有未知方差的正态先验（NUV）长期以来已知能促进稀疏性，并且与通过期望最大化（EM）进行参数学习良好结合。在本文中，我们提倡将该方法用于线性状态空间模型，应用于诸如脉冲信号估计、局部事件检测、状态空间中偶发跳跃的平滑，以及离群值检测与去除。实际计算归结为与卡尔曼平滑密切相关的多元高斯消息传递算法。我们给出了改进的高斯消息计算表，由此可轻松综合此类算法，并且我们指出了两种优选算法。
引用
@article{arxiv.1602.02673,
title = {On Sparsity by NUV-EM, Gaussian Message Passing, and Kalman Smoothing},
author = {Hans-Andrea Loeliger and Lukas Bruderer and Hampus Malmberg and Federico Wadehn and Nour Zalmai},
journal= {arXiv preprint arXiv:1602.02673},
year = {2016}
}