Rao-Blackwellization dari filter Monte Carlo berurutan


11

Dalam makalah seminal "Rao-Blackwellised Particle Filtering for Dynamic Bayesian Networks" oleh A. Doucet et. Al. filter monte carlo sekuensial (filter partikel) diusulkan, yang memanfaatkan substruktur linier dalam proses markov . Dengan memarginalkan struktur linier ini, filter dapat dibagi menjadi dua bagian: bagian non-linear yang menggunakan filter partikel, dan satu bagian linier yang dapat ditangani oleh filter Kalman (dikondisikan pada bagian non-linear ).xkLxk=(xkL,xkN)xkN

Saya memahami bagian marginalisasi (dan terkadang filter yang dijelaskan juga disebut filter marginalisasi). Intuisi saya mengapa ini disebut Rao-Blackwellized Particle Filter (RBPF) adalah bahwa parameter Gaussian adalah statistik yang cukup untuk proses linier yang mendasarinya, dan mengikuti teorema Rao-Blackwell, penduga yang dikondisikan pada parameter-parameter ini melakukan setidaknya sama baiknya sebagai estimator pengambilan sampel.

Pengukur Rao-Blackwell didefinisikan sebagai . Dalam konteks ini saya akan menebak bahwa adalah estimator monte carlo, RBPF, dan parametrization gaussian. Masalah saya adalah bahwa saya tidak melihat di mana ini sebenarnya diterapkan di koran.E(δ(X)|T(X))=δ1(X)δ(X)δ1(X)T(X)

Jadi mengapa ini disebut Filter Partikel Rao-Blackwellized, dan di mana sebenarnya Rao-Blackwellization terjadi?

Jawaban:


1

Dalam estimasi Monte Carlo dari digunakan. Dalam harapan dihitung dengan tepat. Ini adalah bagian RB.I1^E[f]I2^

Kemudian dalam makalah harapan dihitung dengan menggunakan filter Kalman.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.