PMCMC算法在非線性非高斯狀態(tài)空間模型中的應用.pdf

1、近年來，狀態(tài)空間模型在金融領域和工程領域中的應用變得越來越重要。由于現(xiàn)實中大多數(shù)時間序列對象都具有非線性、非高斯的特征，傳統(tǒng)基于線性高斯假設下的狀態(tài)空間模型受到了極大的挑戰(zhàn)。目前在狀態(tài)空間模型分析中最著名的濾波算法是卡爾曼濾波，但前提是模型服從線性高斯假設。在這種情況下，不受分布局限的粒子濾波算法表現(xiàn)出更強的優(yōu)勢。
　　粒子濾波是一種通過蒙特卡羅樣本近似概率分布函數(shù)的貝葉斯推斷算法,被廣泛應用于目標定位、信號處理等領域。然而盡管濾

2、波問題在非線性非高斯模型中得到了較好的解決，但參數(shù)估計仍然是一個大的難題。MCMC是當前最理想的一種參數(shù)估計方法，但在高維環(huán)境和更復雜的模型中應用性較差。本文介紹了一種新的估計方法，即粒子馬爾科夫蒙特卡羅算法（PMCMC）。該方法聯(lián)合了粒子濾波算法與MCMC算法對非線性非高斯狀態(tài)空間模型參數(shù)求解，且能夠很好地結(jié)合這兩種方法的優(yōu)點，同時在應用上具有更大的突破。
　　本文在研究粒子馬爾科爾蒙特卡羅算法的基礎上，提出了一種基于局部M-H