小山、新介;佩雷兹·博尔德,露西娅·卡斯特拉诺斯;Cosma Rohilla沙利兹;罗伯特·E·卡斯。 状态空间模型的近似方法。 (英语) Zbl 1397.62112号 美国统计协会。 105,编号489170-180(2010). 摘要:状态空间模型为分析时间序列提供了一套重要的技术,但使用它们需要估计未观察到的状态。状态的最佳估计是给定观测历史的条件期望,当存在非线性时,很难计算该期望。现有的过滤方法,包括顺序蒙特卡罗,往往要么不准确,要么速度慢。本文研究非线性/非高斯状态空间模型的非线性滤波器,该滤波器使用拉普拉斯方法(渐近级数展开)来近似状态的条件均值和方差以及高斯条件分布。该拉普拉斯-高斯滤波器(LGF)提供了快速、递归、确定性的状态估计,其误差由模型的随机特性设置,并且我们表明,随着时间的推移,其是稳定的。我们通过将LGF应用于神经解码问题来说明LGF的估计能力,并将其与序贯蒙特卡罗方法进行比较在模拟和实际数据中。我们发现,LGF可以在很小的计算时间内提供优异的结果。 引用于10文件 理学硕士: 2015年1月62日 贝叶斯推断 60G35型 信号检测和滤波(随机过程方面) 关键词:拉普拉斯方法;神经解码;递归贝叶斯估计 PDF格式BibTeX公司 XML格式引用 \textit{S.Koyama}等人,《美国统计协会期刊》105,第489号,第170-180页(2010年;Zbl 1397.62112) 全文: 内政部 arXiv公司 链接