粒子平滑器

在寻求平滑方法解决非线性或非高斯问题时，利用高斯逼近方法可能无法得到足够精确的逼近解。此时，最佳的解决办法是采用蒙特卡洛（粒子）逼近。
本文中一些内容是在粒子滤波基础而来，如有不懂，可参考。

SIR粒子平滑器

SIR粒子平滑器直接将SIR算法应用于平滑。
即：基于直接序列重要性重采样的平滑方法：
$\cdot$ 从先验分布中抽取 $\mathbf{N}$ 个采样点 ${\mathbf{x}}_0^{(\mathbf{i})}$：式中：对所有的 $\mathbf{i}=1,2,\cdot \cdot \cdot ,\mathbf{N}$，有 ${\mathbf{w}}_0^{(\mathbf{i})}=1/\mathbf{N}$。对过去状态量进行初始化包含先验分布采样的 ${\mathbf{x}}_0^{(\mathbf{i})}$。
$\cdot$ 对每个时刻 $\mathbf{k}=1,2,\cdot \cdot \cdot ,\mathbf{T}$，执行如下步骤：
1). 从重要性分布中抽取 $\mathbf{N}$ 个新的采样点 ${\mathbf{x}}_{\mathbf{k}}^{(\mathbf{i})}$:
2). 计算新的权值：
并将其权值归一化处理。
3). 将过去的所有状态和当前状态包含进状态集中：
4). 根据下式，若有效粒子数过少，则对过去的所有状态执行重采样。
式中，的 ${\mathbf{w}}_{\mathbf{k}}^{(\mathbf{i})}$，为归一化权值。

后向模拟粒子平滑器

SIR粒子平滑器只是存储过去的粒子数据，有较严重的平滑器退化问题。后向模拟粒子平滑器通过重新利用滤波结果得以有效缓解。

**后向模拟粒子平滑器：**已知粒子及其权值集合：执行以下步骤可以计算出滤波分布：
$\cdot$ 记 ${\tilde{\mathbf{x}}}_{\mathbf{T}}={\mathbf{x}}_{\mathbf{T}}^{(\mathbf{i})}$，且其权值为 ${\mathbf{w}}_{\mathbf{T}}^{(\mathbf{i})}$。
$\cdot$ 对于 $\mathbf{k}=\mathbf{T}-1,\cdot \cdot \cdot ，0$:
1). 通过下式计算新权值：

2). 记 ${\tilde{\mathbf{x}}}_{\mathbf{k}}={\mathbf{x}}_{\mathbf{k}}^{(\mathbf{i})}$，且其权值为 ${\mathbf{w}}_{\mathbf{k}}^{(\mathbf{i})}$。

重复 $\mathbf{S}$ 次上述算法，即对于 $\mathbf{j}=1,2,\cdot \cdot \cdot ,\mathbf{S},$ 分别得到样本轨迹 ${\tilde{\mathbf{x}}}_{0:\mathbf{T}}^{(\mathbf{j})}$，故平滑分布逼近为：
$\mathbf{k}$ 时刻的边缘分布采用可以通过提取上述轨迹的第 $\mathbf{k}$ 个元素精确获得。

重新加权平滑滤波

重新加权粒子滤波，也称为边缘粒子滤波，通过计算SIR粒子的新权值获得对平滑分布的逼近。

**重新加权粒子滤波器：**已知粒子及其权值的集合：
可由如下步骤获得对边缘平滑的逼近：
$\cdot$ 设 ${\tilde{\mathbf{w}}}_{\mathbf{T}|\mathbf{T}}^{(\mathbf{i})}={\mathbf{w}}_{\mathbf{T}}^{(\mathbf{i})}$，其中， $\mathbf{i}=1,2,\cdot \cdot \cdot ,\mathbf{N}$。
$\cdot$ 对每一时刻 $\mathbf{k}=\mathbf{T}-1,\cdot \cdot \cdot ,0$，分别计算新权值：
在每一时刻 $k$ 的边缘平滑分布可近似为：

Rao-Blackwellized 粒子平滑器

Rao-Balckwellized粒子平滑器可用来计算如下高斯模型的平滑逼近：相关参数说明见https://blog.csdn.net/calabash_man/article/details/105772283。
该算法如下：
对于加权集合 { w T s , ( i ) , u 0 : T s , ( i ) , m 0 : T s , ( i ) , P 0 : T s , ( i ) : i = 1 , ⋅ ⋅ ⋅ , N } \bm{\{w_T^{s,(i)},u_{0:T}^{s,(i)},m_{0:T}^{s,(i)},P_{0:T}^{s,(i)}:i=1,\cdot\cdot\cdot,N\}} {wTs,(i)​,u0:Ts,(i)​,m0:Ts,(i)​,P0:Ts,(i)​:i=1,⋅⋅⋅,N} ,可通过以下步骤计算其平滑分布：
1). 类似于SIR粒子平滑器，通过储存Rao-Blackwellized粒子滤波器的过去状态量，计算Rao-Blackwellized的加权集合：
{ w T ( i ) , u 0 : T ( i ) , m 0 : T ( i ) , P 0 : T ( i ) : i = 1 , ⋅ ⋅ ⋅ , N } \bm{\{w_T^{(i)},u_{0:T}^{(i)},m_{0:T}^{(i)},P_{0:T}^{(i)}:i=1,\cdot\cdot\cdot,N\}} {wT(i)​,u0:T(i)​,m0:T(i)​,P0:T(i)​:i=1,⋅⋅⋅,N}2). 设
$$\begin{gathered} {\mathbf{w}}_{\mathbf{T}}^{\mathbf{s},(\mathbf{i})}={\mathbf{w}}_{\mathbf{T}}^{(\mathbf{i})} \\ {\mathbf{u}}_{\mathbf{T}}^{\mathbf{s},(\mathbf{i})}={\mathbf{u}}_{\mathbf{T}}^{(\mathbf{i})} \end{gathered}$$3). 对过去状态 ${\mathbf{m}}_{0:\mathbf{T}}^{(\mathbf{i})},{\mathbf{P}}_{0:\mathbf{T}}^{(\mathbf{i})}(\mathbf{i}=1,\cdot \cdot \cdot ,\mathbf{N})$ 的所有均值和方差，利用RTS平滑器进行解算，的到平滑均值 ${\mathbf{m}}_{0:\mathbf{T}}^{\mathbf{s},(\mathbf{i})}$和方差 ${\mathbf{P}}_{0:\mathbf{T}}^{\mathbf{s},(\mathbf{i})}$。

（本文为个人笔记，犹如错误，欢迎留言交流）