方差减少的集合卡尔曼滤波

最近引入了一些算法来解决大规模卡尔曼滤波问题。集合卡尔曼滤波器通过有限数量的随机生成的系统状态来表示状态估计的概率密度。另一种算法使用奇异值分解来选择状态估计协方差矩阵的主特征向量，并通过降秩矩阵来近似完整的协方差矩阵。然而，这两种算法仍然需要大量的计算资源。在本文中，作者提出将这两种算法结合起来，并使用协方差矩阵的降秩近似作为集合卡尔曼滤波器的方差减小器。如果主特征向量能够解释大部分方差（在大多数应用中确实如此），那么解决滤波问题的计算负担可以显著降低（最多可降至一个数量级）。