• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Asilomar Conference on Signals, Systems, and Computers >Robust Smoothing for State-Space Models with Unknown Noise Statistics
【24h】

Robust Smoothing for State-Space Models with Unknown Noise Statistics

机译：具有未知噪声统计数据的状态空间模型的强大平滑

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The Kalman smoother provides optimal smoothing for fully-known state-space models. However, model uncertainty degrades the performance of the smoother dramatically. In this paper, we are concerned with state-space models, in which noise statistics are unknown and propose an optimal Bayesian Kalman smoother (OBKS), which is optimal relative to the posterior distribution of the unknown noise parameters. The Bayesian innovation process and Bayesian orthogonality principle lie at the heart of the proposed smoothing framework. Through introducing the effective Kalman smoothing gain, we develop a recursive forward-backward structure, which is analogous to that of the classical Kalman smoother. We demonstrate the effectiveness of the proposed smoother by applying it to a target tracking example.
机译：卡尔曼更平滑为全面的状态空间模型提供最佳平滑。然而，模型不确定度急剧下降了漂亮性能。在本文中，我们涉及国家空间模型，其中噪声统计是未知的，并提出最佳的贝叶斯卡尔曼更顺畅（OBK），其相对于未知噪声参数的后部分布是最佳的。贝叶斯创新过程和贝叶斯正交原则躺在建议的平滑框架的核心。通过引入有效的卡尔曼平滑增益，我们开发了一种递归前后结构，类似于古典卡尔曼更顺畅的倒退的前后结构。我们通过将拟议的顺畅施加到目标跟踪示例来证明所提出的更顺畅的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号