在线高斯过程回归的张量网络平方根卡尔曼滤波器
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了高维递归估计问题中张量网络卡尔曼滤波器因协方差矩阵正定性丧失而导致的滤波发散问题。我们首次提出张量网络平方根卡尔曼滤波器，并将其应用于高维在线高斯过程回归，实验证明该方法在预测精度和不确定性量化方面优于现有技术。
张量神经网络（TNN）用于处理非参数回归问题，通过子网络结构提高复杂未知函数的近似性。与传统的前馈网络（FFN）和径向基网络（RBN）相比，TNN在准确性和泛化能力方面表现优异。方法创新在于将统计回归和数值积分集成到TNN框架中，实现高维积分的高效计算。这一进展在精确高维数据分析和预测等领域具有广泛应用价值。
