Bibliografie

(eng): Marginalized particle filtering is a state-of-the-art method for Bayesian filtering, which approximate part of the state-space by analytical and second part of the state by empirical distribution, i.e. particles. However, one sufficient statistics of the analytical distribution must be updated for each particle which is computationally expensive. In this paper, we apply the Variational Bayes (VB) approach as a one-step approximation for Bayesian filtering. In effect, the n particle-conditioned distributions is concentrated into one distribution, yielding computational saving at the cost of compromising accuracy. The scheme generalizes previous work in this area. A simple non-linear filtering example is used to compare the VB scheme and its alternatives.

(cze): Marginalizovaný particle filter je současná aproximativní metoda výpočtu problému Bayesovské filtrace. Tato metoda rozděluje parametrický prostor na dvě části, přičemž aposteriorní distribuce v první části aproximuje přesně a v druhé části pomocí vzorkování. Pro každý vzorek je třeba uchovávat dostatečnou statistiku jemu odpovídající analytické distribuce, což je výpočetně náročné. Navrhujeme proto, využít metodu Variační Bayes jako jednokrokovou aproximaci v tomto procesu. Tím dosáhneme snížení výpočetních nároků při minimálním snížení přesnosti aproximace. Naše práce zobecňuje předešlé publikované přístupy. Porovnání s původními přístupy je ilustrováno na jednoduchém příkladě.