基于非对称拉普拉斯分布的状态空间模型鲁棒滤波与学习：离群值与重尾特征

状态空间模型在动态系统分析中起着关键作用，但常面临来自偏离高斯分布的异常数据的挑战，这些数据常表现出偏斜和重尾特征。本文引入一种鲁棒扩展，具体利用非对称拉普拉斯分布，以捕捉这些复杂特征。我们提出一种高效的变分贝叶斯算法和一种新颖的单环参数估计策略，显著提升了滤波、平滑和参数估计过程的效率。我们的全面实验表明，所提方法在各种噪声设置下均能提供持续鲁棒性能，无需手动调整超参数。与此相反，现有模型通常依赖特定的噪声条件，并需要大量手动调参。此外，我们的方法所需计算资源更少，进而验证了该模型的有效性，并凸显了其在鲁棒控制和金融建模等领域的实际应用潜力。