PulseAugur
中
实时 21:52:57
English(EN) Learning Discriminators for Resampling in the Ensemble Gaussian Mixture Filter through a Normalizing Flow Approach

新的判别器信息重采样提高了高斯混合滤波器的准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，通过为重采样步骤引入学习到的判别器来改进集成高斯混合滤波器（EnGMF）。该判别器采用归一化流方法实现，旨在拒绝物理上不切实际的粒子样本。在 Ikeda 地图和 Lorenz '63 系统上的实验表明，与标准的 EnGMF 相比，这种判别器信息重采样在样本成员较少的情况下尤其能持续减少误差。 AI

影响 引入了一种提高粒子滤波器准确性的新颖技术，有望使复杂系统中的状态估计受益。

排序理由 这是一篇研究论文，详细介绍了一种改进特定类型粒子滤波器的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的判别器信息重采样提高了高斯混合滤波器的准确性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zain Jabbar, Andrey A. Popov ·

    Learning Discriminators for Resampling in the Ensemble Gaussian Mixture Filter through a Normalizing Flow Approach

    arXiv:2605.01089v1 Announce Type: new Abstract: The ensemble Gaussian mixture filter (EnGMF) is a powerful, convergent particle filter capable of medium-to-high dimensional non-linear filtering. The EnGMF relies on a resampling step that can generate physically unrealistic poster…

相关话题