隐马尔可夫模型中并行粒子滤波理论
统计理论
2014-09-16 v1 统计理论
摘要
本文旨在研究隐马尔可夫模型 (HMMs) 背景下一种新粒子滤波方法的渐近行为。具体而言，我们开发了一种算法，将潜在状态序列分割为多个较短部分，并在每个部分中基于独立的粒子滤波器进行估计。这种分割促进了并行处理的使用。基于此方法，我们引入了新的潜在状态和似然估计量，与标准粒子滤波器导出的估计量相比，它们具有相似或更优的方差特性。此外，由于并行化，减少了挂钟计算时间。我们证明了似然函数估计量是无偏的，证明了估计量的中心极限定理收敛性，并提供了渐近方差的一致样本内估计。理论分析辅以数值研究，表明除了节省挂钟时间外，分割还降低了平滑潜在状态估计量的方差。
引用
@article{arxiv.1409.4160,
title = {Theory of Parallel Particle Filters for Hidden Markov Models},
author = {Hock Peng Chan and Chiang Wee Heng and Ajay Jasra},
journal= {arXiv preprint arXiv:1409.4160},
year = {2014}
}