用于动态贝叶斯网络的 Rao-Blackwellised 粒子滤波
机器学习
2013-01-18 v1 人工智能
统计计算
摘要
粒子滤波器（PFs）是用于动态贝叶斯网络（DBNs）的强大的基于采样的推理/学习算法。它们允许我们以有原则的方式处理任何类型的概率分布、非线性和非平稳性。它们以“condensation”、“sequential Monte Carlo”和“survival of the fittest”等名称出现在多个领域。在本文中，我们展示了如何利用 DBN 的结构来提高粒子滤波的效率，使用一种称为 Rao-Blackwellisation 的技术。本质上，它对部分变量进行采样，并使用 Kalman 滤波器、HMM 滤波器、联结树算法或任何其他有限维最优滤波器精确地边际化掉其余变量。我们表明 Rao-Blackwellised 粒子滤波器（RBPFs）比标准 PFs 产生更准确的估计。我们在两个问题上演示了 RBPFs，即使用径向基函数网络的非平稳在线回归以及机器人定位与地图构建。我们还讨论了其他潜在的应用领域，并提供了对一些有限维最优滤波器的参考。
引用
@article{arxiv.1301.3853,
title = {Rao-Blackwellised Particle Filtering for Dynamic Bayesian Networks},
author = {Arnaud Doucet and Nando de Freitas and Kevin Murphy and Stuart Russell},
journal= {arXiv preprint arXiv:1301.3853},
year = {2013}
}
备注
Appears in Proceedings of the Sixteenth Conference on Uncertainty in Artificial Intelligence (UAI2000)