浮夸提供了非线性部分观测马尔可夫过程(也称为非线性随机动力系统、隐马尔可夫模型和状态空间模型)的非常一般的实现。这些是线性状态空间和隐马尔可夫模型在离散或连续时间内对非线性、非高斯过程的推广。在浮夸可以通过指定未观察到的过程和度量组件来实现模型;该软件包在算法中使用这些函数来模拟、分析模型,并将其拟合到数据中。
目前,浮夸为提供支持
- 基本粒子滤波(AKA序贯重要性抽样或序贯蒙特卡罗),
- 轨迹匹配,
- Liu&West(2001)的近似贝叶斯序贯蒙特卡罗算法,
- Andrieu等人的粒子马尔可夫链蒙特卡罗方法(2010),
- 近似贝叶斯计算(ABC;Toni等人,2009年)
- 改进的迭代滤波方法(Ionides等人,2015),
- 基于合成似然的探针匹配方法(例如,Kendall等人,1999年,Wood等人,2010年)
- Ellner&Kendall的非线性预测方法,
- Evensen的集合卡尔曼滤波器(1994年、2009年),以及
- Anderson(2001)的集合调整卡尔曼滤波器,以及
- Reuman等人(2006)的功率谱匹配方法。
浮夸也是一个平台,在此平台上可以实现部分可观测马尔可夫过程的通用推理算法。我们欢迎以代码、示例、文档改进、错误报告、功能请求和帮助请求的形式作出贡献!
本网站包含:
尽管浮夸是一个成熟的软件包,正在积极维护,并且正在开发新功能。如果您提出了改进,发现了错误,或者有建议或功能请求,请使用程序包问题页面.
与…并驾齐驱浮夸新闻,查看浮夸新闻博客和/或订阅浮夸RSS源.