Tempering the Bayes Filter Towards Improved Model-Based Estimation

doi:10.1109/OJCSYS.2026.3675495

2026-01-01

PRE

M. J. T. C. van Zutphen *

Domagoj Herceg

G. Delimpaltadakis

Duarte Antunes

DOI：10.1109/OJCSYS.2026.3675495

原文链接

原文求助

摘要

En 中文

基于模型的滤波通常在模型不完善的情况下进行，因为学习部分可观测的随机系统仍然是一个挑战。关于贝叶斯推断的最新研究发現，调整不完善模型的似然函数或完整后验分布可以提高预测准确性，其衡量标准为预期负对数似然。在本文中，我们开发了离散时间温控贝叶斯滤波器，通过上述两种以及一种新引入的温控模式，提高了信念分布估计的性能。该结果允许递归实现，其计算复杂度不高于原始贝叶斯滤波器。我们的分析表明，除了众所周知的事实即似然函数的温控影响先验与似然之间的平衡外，完整后验的温控还调节信念分布的熵水平。我们还发现，温控空间中的一个区域可以理解为在贝叶斯滤波器和MAP滤波器之间进行插值，将它们作为特例恢复。分析结果进一步确立了温控贝叶斯滤波器提高预测性能的条件。将结果专门应用于线性高斯情况，我们得到了温控卡尔曼滤波器。在此背景下，我们解释了参数如何影响卡尔曼状态估计和协方差。实证结果表明，我们的方法一致性地提高了预测准确性，优于贝叶斯滤波器基线。

Keyword:

Filtering

Kalman filtering

Identification

Kalman filtering

Identification