强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.

提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,两种噪声方差随着时间变化且均未知。先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,再利用假设中的函数关系获得新的过程噪声方差。对上述过程多次迭代,最终获得状态估计及协方差。仿真实验结果表明,该算法具有较高的滤波精度;在假设条件不 确知的情况下仍具有较强的鲁棒性。

提出了一种鲁棒化的基于变分贝叶斯的自适应卡尔曼滤波算法.该算法采用具有重尾特性的学生分布取代高斯分布来描述量测模型，减弱系统对于野值的敏感性；再利用变分贝叶斯方法对修正后的模型的时变参数进行逼近推断，在递推地估计状态的同时还能对变化的噪声方差进行跟踪，并更新引入的自由度参数，从而在自适应滤波的同时增强了鲁棒性.仿真实验证明了在野值存在且噪声变化的观测下该算法的自适应与鲁棒性.

一种自适应变分贝叶斯容积卡尔曼滤波方法

VB-GMM 高斯混合模型的变分贝叶斯模型选择。

利用变分贝叶斯方法进行目标跟踪，并且适用于噪声统计特性未知的情况。

vbmc：MATLAB中用于后验和模型推断的变分贝叶斯蒙特卡洛（VBMC）算法

LDA 如果您愿意，将添加LDA变分贝叶斯实现细节 输入 以下格式 1 1 2 3 1 3 2 3 4 1 2 5 3 1 2 3 3 一行对应一个文档 Number 是 word ID 如何使用 ./ilda -I brown.txt.train -T brown.txt.test -o model -k 100 -i 100 -r 1e-5 例如，在上面，从一个名为 brown.txt.train 的文件中学习一个 k = 100 个主题的 LDA，设置迭代次数为 100，收敛半径为 1e-5，使用训练好的 LDA，对于 brown。 txt.test 计算学习后的 VFE 和 Perplexity 超参数输出到模型 {Al, bt} 学习后的变量参数输出到模型 {Alp, btp, thp, php} 输出如下 #### Setting #### Model : mo

FDD多用户大规模MIMO的信道估计：基于变分贝叶斯推理的方法

平均场理论，变分法，贝叶斯推断，EM 算法，KL 散度，变分估计，变分消息传递