[复现] 用于非线性和非高斯观测模型贝叶斯滤波的判别式卡尔曼滤波器
机器学习
2024-01-29 v1 机器人学
信号处理
机器学习
摘要
卡尔曼滤波器提供了一种直接且可解释的方法来估计隐藏或潜在变量，并在控制、机器人、信号处理和机器学习中找到了众多应用。其中一个应用是用于神经假体的神经解码。2020 年，Burkhart 等人彻底评估了他们新版本的卡尔曼滤波器，该滤波器利用贝叶斯定理来提高滤波器在高度非线性或非高斯观测模型下的性能。这项工作为作者的 MATLAB 算法提供了一个开源的 Python 替代方案。具体来说，我们复现了他们在神经科学背景下最显著的结果，并使用多个随机种子和作者数据集中先前未使用的试验进一步检验了他们滤波器的有效性。所有实验均在一台计算机上离线执行。
引用
@article{arxiv.2401.14429,
title = {[Re] The Discriminative Kalman Filter for Bayesian Filtering with Nonlinear and Non-Gaussian Observation Models},
author = {Josue Casco-Rodriguez and Caleb Kemere and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2401.14429},
year = {2024}
}