.png){kind=icon}
返回
Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cma.2025.118285.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯滤波对于高维非线性随机动力系统是一个在科学和工程许多领域中既基础又具挑战性的问题。现有方法面临显著障碍：基于高斯滤波器难以处理非高斯分布，而序贯蒙特卡罗方法计算密集且在高维情况下易发生粒子退化。尽管机器学习中的生成模型在建模高维非高斯分布方面取得了显著进展，但其在线更新效率低下限制了它们在滤波问题中的应用。为应对这些挑战，我们提出了一种基于流的贝叶斯滤波器（FBF），该滤波器整合了归一化流来构建一个具有高斯滤波分布的新型隐式线性状态空间模型。该框架利用归一化流提供的可逆变换，便于高效的密度估计和采样，并能够以数据驱动的方式构建滤波器，无需预先了解系统动力学或观测模型。数值实验表明FBF具有更优的准确性和效率。
Keyword:
Bayesian filtering
normalizing flows
nonlinear stochastic systems
high-dimensional filtering
data-driven filtering
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
Maximum correntropy quadrature Kalman filter based interacting multiple model approach for maneuvering target tracking基于最大相关熵四元数卡尔曼滤波的交互式多模型机动目标跟踪方法
PREAI
分享收藏
查看更多内容