.png){kind=icon}
返回
Non-Gaussian Process Dynamical Models
.png){kind=icon}
OA
AI
DOI：10.1109/OJSP.2025.3534690.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在跟踪和预测应用中使用概率动态模型时，通常假设其为受高斯噪声驱动的运动，因为已知推理算法可应用于这些模型。然而，在许多现实案例中，高斯性偏差预计会出现，例如速度或方向的快速变化，这些变化无法通过具有平滑均值响应的过程来反映。本文引入了非高斯过程（NGP）动态模型，该模型允许对重尾、非高斯行为进行直接建模，同时通过无限个非同质高斯过程（GP）混合表示，保留可处理的条件高斯过程（GP）结构。我们基于NGP的条件高斯表述形式，提出了两种适用于这些新模型的新型推理方法，这些方法适用于MCMC和边缘化粒子滤波算法。结果在合成生成数据集上进行了展示。
Keyword:
Non-Gaussian
stochastic process
Lévy process
particle filtering
infinite mixtures
期刊
IF:
2.7
论文数:
146
被引数:
535
机构
引用论文
分享收藏分享收藏分享收藏Monte Carlo sampling methods using Markov chains and their applications基于马尔可夫链的蒙特卡罗抽样方法及其应用.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏
分享收藏
查看更多内容