Particle Learning and Smoothing
Particle Learning and Smoothing
复制标题
DOI：
10.1214/10-sts325
复制
发表时间：
2010-02-01
影响因子：
5.7
通讯作者：
Polson, Nicholas G.
中科院分区：
文献类型：
--
作者：
Carvalho, Carlos M.;Johannes, Michael S.;Polson, Nicholas G.
粒子学习（PL）提供了状态滤波，序贯参数学习和平滑的一般类的状态空间模型。我们的方法扩展了现有的粒子方法，通过一个完全适应的过滤器，利用条件充分的统计参数和/或状态作为粒子的静态参数的估计。在参数不确定性的存在下，状态平滑也解决了PL的副产品。在许多示例中，我们表明PL优于现有的粒子过滤替代方案，并被证明是MCMC的竞争对手。
Particle learning (PL) provides state filtering, sequential parameter learning and smoothing in a general class of state space models. Our approach extends existing particle methods by incorporating the estimation of static parameters via a fully-adapted filter that utilizes conditional sufficient statistics for parameters and/or states as particles. State smoothing in the presence of parameter uncertainty is also solved as a by-product of PL. In a number of examples, we show that PL outperforms existing particle filtering alternatives and proves to be a competitor to MCMC.