Importance Densities for Particle Filtering Using Iterated Conditional Expectations

Tutkimustuotos: Lehtiartikkelivertaisarvioitu

Tutkijat

  • Roland Hostettler
  • Filip Tronarp
  • Angel F. Garcia-Fernandez
  • Simo Sarkka

Organisaatiot

  • Uppsala University
  • University of Liverpool
  • Antonio de Nebrija University

Kuvaus

In this letter, we consider Gaussian approximations of the optimal importance density in sequential importance sampling for nonlinear, non-Gaussian state-space models. The proposed method is based on generalized statistical linear regression and posterior linearization using conditional expectations. Simulation results show that the method outperforms the compared methods in terms of the effective sample size and provides a better local approximation of the optimal importance density.

Yksityiskohdat

AlkuperäiskieliEnglanti
Artikkeli8951063
Sivut211-215
Sivumäärä5
JulkaisuIEEE Signal Processing Letters
Vuosikerta27
TilaJulkaistu - 1 tammikuuta 2020
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

ID: 41155770