通过广义贝叶斯实现鲁棒卡尔曼滤波
原文中文，约300字，阅读约需1分钟。发表于：。在存在异常值和误设测量模型的状态空间模型的在线滤波中，我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法（如扩展和集成卡尔曼滤波器）相结合，其中前者用于展示鲁棒性，后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题（如物体跟踪、高维混沌系统的状态估计和在线神经网络学习）中，我们在更低的计算成本下与其他鲁棒滤波方法（如基于变分贝叶斯的方法）相匹配或表现更好。
本文提出了一种新的过滤方法，用于处理高维度的非高斯状态空间模型、非线性且可能是混沌动力学以及空间与时间稀疏的观测。该方法使用交通测度、凸优化和概率图模型的思想，产生高维度下的坚韧的集成近似过滤分布。该方法在混沌区域的Lorenz-96模型的挑战配置下实现了最先进的跟踪性能。
