动态过程不确定性的路径空间卡尔曼滤波器用于分析时间序列数据
原文中文，约300字，阅读约需1分钟。发表于：。通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法，我们能够动态跟踪与底层数据和先验知识相关的不确定性，并利用贝叶斯方法量化不同的不确定性来源，并且在生物学时间序列数据集上的应用表明，PKF 在合成数据集上的表现优于传统的 KF 方法，均方误差缩小了几个数量级。
本文研究了利用系统辨识方法设计Kalman滤波器的问题，提出了一种两步法。研究发现，等价Kalman滤波器在参数精确度高或滤波器鲁棒性足够时具有次优保证。附加鲁棒约束可提高脆弱滤波器的次优保证性能。还提出了用样本复杂度度量最小观测数据数。
