第 6 章滤波问题（The Filtering Problem）

作者

Bernt Øksendal（奥斯陆大学）。本章回答 Ch 1 提出的 Problem 3：给定带噪观测 $Z_t$ 估计隐状态 $X_t$。核心结论——Kalman-Bucy 滤波器——是 20 世纪应用数学最伟大的成果之一（Kalman 1960 + Kalman-Bucy 1961），从 NASA 阿波罗导航到金融信号处理无处不在。

本章是 Ch 2 (Doob-Dynkin) + Ch 3 (Itô 积分 + 鞅) + Ch 4 (Itô 公式 + 鞅表示) + Ch 5 (SDE 存在唯一性) 的综合应用。这是 SDE 理论"对应用问题"的胜利——把抽象的鞅表示定理用一次"反向求解"转化为可实现的递推滤波方程。

内容概述

本章的中心任务：给定"状态 SDE" $dX = b\,dt + \sigma\,dU$ + "观测 SDE" $dZ = c\,dt + \gamma\,dV$（$U, V$ 独立 BM），求 $\hat X_t = E[X_t \mid \mathcal G_t]$（$\mathcal G_t = \sigma(Z_s: s \le t)$）的 SDE 形式。

主要内容： 1. 滤波问题的数学化（Ch 6.1）： - 观测转积分：$H_t = c + \gamma W_t \Rightarrow Z_t = \int_0^t H_s\,ds$ 把"白噪声观测"转为"积分观测"（不丢失信息，因为 $H_s$ 可由 $Z_s$ 还原）。 - 最优估计 = 条件期望 = $L^2$ 投影（Lem 6.1.1, Thm 6.1.2）：$\hat X_t = E[X_t \mid \mathcal G_t] = P_{\mathcal K}(X_t)$。 2. 1 维线性滤波（Ch 6.2）： - 系统 $dX_t = F(t) X_t dt + C(t) dU_t$（线性 SDE） - 观测 $dZ_t = G(t) X_t dt + D(t) dV_t$（线性 SDE） - Step 1（Lem 6.2.2）：Gauss 性下最佳线性估计 = 最佳可测估计。 - Step 2（Lem 6.2.5）：创新过程 $N_t = Z_t - \int_0^t G(s) \hat X_s ds$ 有正交增量 + Gauss + $L(N,t) = L(Z,t)$。 - Step 3（Lem 6.2.6）：$R_t = \int_0^t (1/D) dN$ 是 BM；$\hat X_t = E[X_t] + \int_0^t f(s, t) dR_s$。 - Step 4：用 integrating factor 解线性 SDE 得 $X_t$ 显式 (6.2.16)。 - Step 5（Thm 6.2.8）：Kalman-Bucy 滤波器：$d\hat X_t = (F - G^2 S/D^2) \hat X_t dt + (GS/D^2) dZ_t$，$S = E[(X - \hat X)^2]$ 满足 Riccati 方程 $dS/dt = 2F S - G^2 S^2/D^2 + C^2$。 3. 多维线性滤波（Ch 6.3, Thm 6.3.1）：矩阵 Riccati 方程 $dS/dt = FS + SF^T - SG^T(DD^T)^{-1}GS + CC^T$。 4. 应用例子（Ch 6.2.9-6.2.13）：常值估计、BM 观测下的 BM 估计、参数估计（MLE = Kalman）、指数增长观测。 5. 预测（Ex 6.5）：$E[X_T \mid \mathcal G_t] = e^{\int_t^T F ds} \hat X_t$。 6. Stroock-Varadhan 支持定理（Ex 6.10）：扩散的支撑集 = 用光滑函数 $\phi$ 替代 $\circ dB$ 后 ODE 解的闭包。

在全书中位置：应用章。Ch 6 是 Ch 1 Problem 3 的解。Kalman-Bucy 滤波器是 SDE 在工程上的"第一个杀手锏应用"（1960 阿波罗登月计划、航天器导航、雷达跟踪）。

前置知识：Ch 2（Doob-Dynkin 引理、$L^2$ 投影 = 条件期望）+ Ch 3（Itô 积分、等距）+ Ch 4（Itô 公式、鞅表示）+ Ch 5（线性 SDE 显式解）。没有这 4 章，本章完全不可读——这是 Itô 理论第一次完整展示其工程威力。

核心方程与概念

本章是 Itô 理论在工程应用上的"集大成"，是全书 12 章中工程价值最高的章节。下面列出最重要的 11 个对象。

6.1 滤波问题定义（Ch 6.1）

系统： $$dX_t = b(t, X_t)\,dt + \sigma(t, X_t)\,dU_t, \quad X_0 \sim \mu_0 \text{ 独立于 } U, V.$$

观测： $$dZ_t = c(t, X_t)\,dt + \gamma(t, X_t)\,dV_t, \quad Z_0 = 0,$$

其中 $U, V$ 是独立 BM。

最优估计： $$\hat X_t := E[X_t \mid \mathcal G_t] = \arg\inf_{Y \in L^2(\mathcal G_t)} E[\|X_t - Y\|^2].$$

关键认识：最佳 $L^2$ 估计 = 条件期望 = Hilbert 空间投影（Thm 6.1.2）。这是因为 $L^2(P)$ 是 Hilbert 空间，$\mathcal G_t$-可测函数 $Y$ 构成闭子空间，最小化 $\|X - Y\|^2$ = 投影到子空间。
Doob-Dynkin 引理 (Ch 2) 的关键应用：$\hat X_t$ 是 $\mathcal G_t$-可测 → $\hat X_t = g_t(\{Z_s: s \le t\})$（Doob-Dynkin）→ 滤波器是"观测历史的函数"。
观测转积分 $Z_t = \int_0^t H_s ds$ 的意义：把"白噪声"形式的观测 $H_t = c + \gamma W_t$ 转为"BM 增量"形式 $dZ = c dt + \gamma dV$。这一步不丢失信息（$H_s$ 可由 $Z_s$ 还原），但使 SDE 框架（Itô 积分、鞅表示）可以应用。

6.2 条件期望 = Hilbert 投影（Lemma 6.1.1）

\[E[X \mid \mathcal H] = P_{\mathcal N}(X), \quad \mathcal N = \{Y \in L^2(P): Y \text{ 是 } \mathcal H\text{-可测}\}.\]

证明：$\int_A E[X|\mathcal H]\,dP = \int_A X\,dP$ 对所有 $A \in \mathcal H$（条件期望定义） ⟺ $E[(X - E[X|\mathcal H])Y] = 0$ 对所有 $Y \in \mathcal N$（投影正交性）。
意义：把概率论问题（条件期望）转化为线性代数问题（投影）。这是滤波理论能用 Itô 积分的关键。

6.3 线性 SDE 系统（Eq 6.2.3, 6.2.4）

\[dX_t = F(t) X_t\,dt + C(t)\,dU_t, \quad dZ_t = G(t) X_t\,dt + D(t)\,dV_t,\]

其中 $F, C, G, D$ 是确定性矩阵（标量函数 on 1 维情形）。$X_0$ 独立于 $(U, V)$，$X_0 \sim N(\mu_0, a^2)$，$D(t)$ 在有界区间上远离 0。

线性结构是关键——使 $\hat X_t$ 的 SDE 闭式（否则只能写出非线性滤波方程，无闭式解）。
Gauss 性是关键——使 $E[X_t \mid \mathcal G_t]$ 是 $\mathcal G_t$ 的线性函数（最佳线性 = 最佳可测，Lem 6.2.2）。

6.4 创新过程（Innovation Process, Def 6.2.12）

\[N_t := Z_t - \int_0^t G(s) \hat X_s\,ds, \quad dN_t = G(t)(X_t - \hat X_t)\,dt + D(t)\,dV_t.\]

核心性质（Lem 6.2.5）： 1. 正交增量：$E[(N_t - N_s)Y] = 0$ for $Y \in L(Z, s)$ 2. 方差：$E[N_t^2] = \int_0^t D^2(s) ds$ 3. 生成同一 $\sigma$-代数：$L(N, t) = L(Z, t)$（用 Volterra 方程论证） 4. Gauss 性：$\{N_t\}$ 是 Gauss 过程

几何意义：$N_t$ = $Z_t$ 的"新息"——扣除已用观测信息后剩余的"未被解释的随机性"。这是信号处理中"innovation"概念的严格化（Kailath 1968 引入）。
关键作用：$N_t$ 给出 $\mathcal G_t$ 中的"正交基底"——把 $\mathcal G_t$-可测估计问题（"投影到 $L^2(\mathcal G_t)$"）转化为"投影到 $L^2(N, t)$"（"$\int f\,dN$"形式）。

6.5 创新过程 = BM（Lemma 6.2.6）

\[dR_t := \frac{1}{D(t)}\,dN_t, \quad R_0 = 0.\]

$R_t$ 是 1 维 BM： - 连续路径 - 正交增量（$N$ 有） - Gauss - $E[R_t] = 0, E[R_t R_s] = \min(s, t)$

关键：$R_t$ 既是 BM，又能"生成" $L(Z, t)$（因为 $L(N, t) = L(Z, t)$）。这意味着 $\hat X_t$ 既可写成 $Z$-积分、又可写成 $R$-积分。
Ch 4 鞅表示的联系：Thm 4.3.4 给出"任何 $\mathcal F_t$-鞅 = $\int g\,dB$"。这里 $\{N_t\}$ 是 $\mathcal G_t$-鞅（$E[N_t - N_s \mid \mathcal G_s] = 0$），但 $N$ 不是 BM——$R$ 才是。创新过程 $R$ 的作用是把"$\mathcal G_t$-鞅 $N$" 转换为"$\mathcal G_t$-鞅 + BM $R$"。

6.6 滤波器的显式形式（Lemma 6.2.7）

\[\hat X_t = E[X_t] + \int_0^t f(s, t)\,dR_s, \quad f(s, t) = \frac{\partial}{\partial s} E[X_t R_s].\]

推导：$\hat X_t \in L(R, t) = \{c_0 + \int_0^t g(s) dR_s\}$，取 $c_0 = E[\hat X_t] = E[X_t]$，$g = f$ 由 $L^2$ 正交性确定。
关键：$f(s, t)$ 表达"在时刻 $s$ 已知 $R_s$ 时，对 $X_t$ 估计的修正"。当 $s \to t$ 时，$f(t, t)$ 反映"最新观测 $R_t$ 对估计的影响强度"。
后续推导：$f(s, t) = G(s) e^{\int_s^t F(v) dv} S(s) / D(s)$，其中 $S(s) = E[(\tilde X_s)^2]$ 是均方误差。

6.7 Riccati 方程（Eq 6.2.21）

\[\boxed{\frac{dS}{dt} = 2F(t) S(t) - \frac{G^2(t)}{D^2(t)} S^2(t) + C^2(t), \quad S(0) = E[(X_0 - E[X_0])^2].}\]

其中 $S(t) = E[(X_t - \hat X_t)^2]$ 是均方估计误差。

关键认识：Riccati 方程是确定性的（不依赖 BM！）——$S(t)$ 是时间的纯函数。这是 Kalman 滤波能"实时"运行的关键。
渐近行为（Ex 6.1, 6.2）：若 $\int_0^\infty G^2(s)/D^2(s) ds = \infty$，则 $S(t) \to 0$（精确渐近估计）——观测信号足够丰富时估计误差趋于 0。
多维情形（Thm 6.3.1）：$\frac{dS}{dt} = FS + SF^T - S G^T (DD^T)^{-1} G S + CC^T$（矩阵 Riccati）。

6.8 Kalman-Bucy 滤波器（Theorem 6.2.8）—— 1960 年代的数学瑰宝

\[\boxed{d\hat X_t = \left(F(t) - \frac{G^2(t) S(t)}{D^2(t)}\right) \hat X_t\,dt + \frac{G(t) S(t)}{D^2(t)}\,dZ_t, \quad \hat X_0 = E[X_0].}\]

结构分析：
漂移项：$F(t) \hat X_t$（来自系统的"自然演化"）+ $-G^2 S/D^2 \cdot \hat X_t$（来自"修正 Kalman 增益 × 当前估计"）。
扩散项：$GS/D^2 \cdot dZ_t$（来自"新观测的冲击"）。系数 $GS/D^2$ 称为 Kalman 增益——它控制"多大程度相信新观测"。
关键性质：
递推性：$\hat X_t$ 由 $\hat X_{t-dt}$ 和 $dZ_t$ 决定——不需要历史所有数据。
最优性：在所有 $\mathcal G_t$-可测估计中均方误差最小。
线性性：$\hat X_t$ 是 $Z_s$ 的线性函数（Gauss 假设下）。
Ch 12 联系：Kalman-Bucy 是 Black-Scholes 之前的"SDE 工程应用典范"——两者都用鞅表示 + Itô 公式 + 测度变换，但 Kalman 用于估计（信息论），Black-Scholes 用于定价（金融）。

6.9 多维 Kalman-Bucy（Theorem 6.3.1）

\[d\hat X_t = (F - S G^T (DD^T)^{-1} G) \hat X_t\,dt + S G^T (DD^T)^{-1}\,dZ_t,\]

\[\frac{dS}{dt} = F S + S F^T - S G^T (DD^T)^{-1} G S + C C^T, \quad S(0) = E[(X_0 - E[X_0])(X_0 - E[X_0])^T].\]

关键认识：$S \in \mathbb R^{n \times n}$ 矩阵 Riccati，其元素 $S_{ij}$ 编码"状态分量 $i$ 和 $j$ 的估计协方差"。
计算量：$n \times n$ Riccati 求解 $O(n^3)$ 步长——在 1960 年是巨大的工程突破（让阿波罗导航成为可能）。
数值稳定性：现代 Kalman 滤波实现用 "square root filter"（Bierman 1977）避免 $S$ 的数值不稳定（$S$ 必须正定）。

6.10 应用例 6.2.10（BM 的滤波）

观测 BM：$dX_t = c\,dU_t$, $dZ_t = X_t dt + m dV_t$（带噪观测的 BM）。

Riccati：$dS/dt = -S^2/m^2 + c^2$, $S(0) = a^2$ → $S(t) = mc \tanh(ct/m + \text{const})$。
滤波器：$d\hat X_t = -\tanh(t) \hat X_t dt + \tanh(t) dZ_t$（取 $a = m = c = 1$）→ $\hat X_t = \frac{1}{\cosh t} \int_0^t \sinh(s) dZ_s$。
物理意义：$\hat X_t$ 是"指数加权移动平均"——新观测的权重 $\sinh(s)/\cosh(t)$ 对最近观测给更大权重。这是 1958 年 Holt 时间序列预测公式的连续版本。

6.11 Stroock-Varadhan 支持定理（Ex 6.10）

对 SDE $dX_t = b\,dt + \sigma \circ dB$（Stratonovich 形式），其支撑集（$X$ 几乎必然到达的最小闭集）= $\overline{\{X^{(\phi)}: \phi \text{ 光滑}\}}$，其中 $X^{(\phi)}$ 是 ODE $dX^{(\phi)}/dt = b + \sigma \phi'$ 的解。

应用：从 SDE 的"系数"直接读出 $X$ 能否到达某区域——例如 Ch 5.1.4 单位圆 BM 的支撑集 = 单位圆。
Ch 12 应用：障碍期权定价（$S_t$ 是否触到 barrier 是 payoff 的条件）必须知道支撑集。
历史：Stroock-Varadhan 1969 证明，Ikeda-Watanabe 1989 标准参考。

关键结论

条件期望 = Hilbert 投影（Lem 6.1.1, Thm 6.1.2）——这是把滤波问题转化为线性代数的关键一步，让 SDE 框架（Itô 积分、鞅表示）可以应用。
创新过程是滤波理论的"金钥匙"：通过引入 $N_t = Z_t - \int G \hat X ds$（扣除已用信息），把"在 $\mathcal G_t$ 上做投影"转化为"在 $L(N, t)$ 上做投影"——后者是 BM 驱动的 Itô 积分空间，所有工具（Itô 等距、鞅表示）直接可用。
Gauss 性 → 最佳线性 = 最佳可测（Lem 6.2.2）——这是 Kalman-Bucy 滤波器只对线性 + Gauss 系统有闭式解的根本原因。非线性 / 非 Gauss 系统需要其他技术（粒子滤波、Ensemble Kalman、Extended Kalman）。
Kalman-Bucy 滤波器是 SDE 的"工程凯旋"：从 1960 年 Kalman 1960 离散版本 + 1961 Kalman-Bucy 连续版本开始，Kalman 滤波器成为阿波罗登月、GPS、雷达跟踪、金融信号处理、机器人定位的通用工具。这证明 Itô 理论不仅是"好数学"，更是"有用数学"——直接回应了 Ch 1.2 的"应用数学不是坏数学"立场。
Riccati 方程是确定性的（不依赖 BM）——这意味着可以提前（或实时）数值求解 $S(t)$，然后代入 $\hat X_t$ 的 SDE。是 Kalman 滤波器"实时"运行的关键。
多维 Kalman-Bucy 在形式上与 1 维完全平行（Thm 6.3.1）——所有 $\mathbb R^{n \times n}$ 的矩阵化是"机械可推广的"。这是工程友好的特性。
Stroock-Varadhan 支持定理（Ex 6.10）——从 SDE 系数直接读出扩散路径的几何约束，是 PDE–SDE 对偶的另一面（Ch 9 用类似思路证明 PDE 解的存在性）。

挑战和开放性问题

非线性滤波的闭式解：Kalman-Bucy 只对线性 Gauss 系统有 SDE 闭式解。非线性 / 非 Gauss 系统的最优滤波 $\hat X_t = E[X_t \mid \mathcal G_t]$ 一般无闭式——只能写出 Zakai 方程（$\hat X_t$ 的非线性偏微分方程）或 Kushner-Stratonovich 方程（$\hat X_t$ 的随机偏微分方程）。数值解用粒子滤波、Ensemble Kalman、Extended Kalman Filter。
计算复杂度：$n \times n$ Riccati 求解 $O(n^3)$ 步长——对 $n = 10^6$ 维状态（如天气预报、大气海洋耦合）不可行。降维方法（Ensemble Kalman, Proper Orthogonal Decomposition）是当前热门研究方向。
观测-状态耦合（Ex 6.5–6.8）：多维 Kalman 假设 $X, Z$ 线性耦合；现实中常非线性（如 $Z = h(X)$ for $h$ 非线性）——Extended Kalman 用 Taylor 展开近似，Unscented Kalman 用 sigma 点近似。
路径依赖滤波（Ex 6.6）：要估计 $\int_0^t f(X_s) ds$ 形式的状态——Riccati 方程扩展为更复杂的方程。
Stroock-Varadhan 支持定理的"反问题"：给定支撑集 $F$，什么样的 SDE 系数 $b, \sigma$ 产生这种支撑？目前没有完整分类——这是"扩散几何"的开放问题。
有限观测频率：理论假设连续观测 $Z_t$；实际中观测是离散时间 $Z_{t_n}$——这是"离散 Kalman 滤波"问题，方程形式类似但 $\mathcal G_t$ 是右连续阶梯。
观测噪声的"突发"行为：当 $V_t$ 是 Lévy 过程（不是 BM）时，Riccati 方程失效——这是 Ch 8 之后的研究方向，连接到带跳滤波（jump-diffusion filter）。
Kalman-Bucy 的"内生参数估计"（Ex 6.15-6.16）：当 $F, C, G, D$ 本身未知时，需要"自适应滤波"——把参数 $F, C, G, D$ 当作额外的"状态"，扩大系统维数，再用 Kalman-Bucy 估计。
协方差爆炸 / 滤波发散：数值实现中，$S$ 矩阵的舍入误差可能使 $S$ 不再正定，导致滤波器"爆炸"。Bierman 1977 的"square root filter"用 $S = L L^T$（$L$ 下三角）保持正定性。

个人反思与批判性分析

Kalman-Bucy 滤波器是 Itô 理论的"工程名片"——它的工程价值（阿波罗登月 + GPS + 金融信号处理）远超 Itô 公式的纯数学价值。没有 Kalman 滤波，许多现代工程奇迹都不可能。

Kalman 滤波的成功揭示了"线性 + Gauss"模型的工程威力——许多看似复杂的问题（航天器姿态、雷达目标跟踪、金融波动率曲面拟合）都可以用"线性 Gauss 状态 + 观测"框架描述。但这种"线性化"假设在某些场景下会失败： - 强非线性（机器人抓取的接触动力学） - 非 Gauss 噪声（金融市场的"重尾"） - 高维（$10^6$ 维流体动力学） - 多模态（亚稳态化学反应）

对这些问题，需要粒子滤波（Gordon-Salmond 1993）、Ensemble Kalman（Evensen 1994）、Hamilton Monte Carlo（Duane 1987）等"非线性 / 高维"扩展。

Riccati 方程的"二阶非线性"是关键——注意 $dS/dt = 2F S - G^2 S^2/D^2 + C^2$ 是 $S$ 的二次方程。这给出 $S(t)$ 的"对称性"——$S$ 始终为正（如果初值正），且在某些条件下指数衰减到 0。这种"非线性 + 正性"组合在控制论中非常稀有——很多 Riccati 方程的解可能变负（这意味着"模型不稳定"）。

Stroock-Varadhan 支持定理的"反问题"未被解——给定支撑集 $F$，什么样的 SDE 能产生这种支撑？这是 PDE 边界可达性、Fokker-Planck 方程、几何控制论的交叉问题。Stroock-Varadhan 定理给出"必要条件"（支撑集 ⊂ SDE 系数允许的 ODE 解的闭包），但"充分条件"在退化情形下仍未完全解决。

多维 Kalman 的"耦合协方差"——多维情形下 $S$ 矩阵的非对角元素 $S_{ij}$ 编码"状态分量 $i$ 和 $j$ 的估计协方差"——这意味着估计一个分量会受其他分量的影响。这种耦合在实际中常被忽略（很多工程实现用"对角 $S$ 近似"）——丢失精度但提升计算速度。

对金融工程学习者的具体建议——Kalman 滤波在金融的核心应用是波动率估计： - Hull-White 利率模型用 Kalman 估计均值回归速度。 - Heston 随机波动率用 Kalman 估计 $\sqrt{v_t}$。 - GARCH 模型是非线性滤波的特例。

把本章的 $\hat X_t$ 看作"已实现波动率的最佳估计"，把 $S(t)$ 看作"估计的不确定性"——这就把金融工程的"波动率曲面"和 Itô 理论连接起来。

与 Karatzas-Shreve (1998) 的比较——KS 没有 Ch 6（滤波），但 Ch 12 给出随机控制中的等价工具。Bensoussan 1992 给出滤波的完整理论。Øksendal 的 Ch 6 是滤波的"工程师友好"介绍——技术细节较简（"technical, but does not require new ideas"），是读者进入滤波理论的入口。

重要参考文献

[X1] R. E. Kalman. A new approach to linear filtering and prediction problems. Transactions of the ASME, Journal of Basic Engineering 82 (Series D): 35–45, 1960. DOI: 10.1115/1.3662552. — Kalman 滤波的离散版本原始论文（本章引用）。

[X2] R. E. Kalman, R. S. Bucy. New results in linear filtering and prediction theory. Transactions of the ASME, Journal of Basic Engineering 83 (Series D): 95–108, 1961. DOI: 10.1115/1.3658902. — Kalman-Bucy 连续版本原始论文。

[X3] T. Kailath. An innovations approach to least-squares estimation — Part I: Linear filtering in additive white noise. IEEE Transactions on Automatic Control 13(6): 646–655, 1968. — "Innovation" 概念的严格化（Kailath 引入）。

[X4] R. S. Bucy, P. D. Joseph. Filtering for Stochastic Processes with Applications to Guidance. Wiley, 1968. ISBN 978-0470116850. — 滤波理论的经典工程教科书（Ch 6.3 引用）。

[X5] A. H. Jazwinski. Stochastic Processes and Filtering Theory. Academic Press, 1970. ISBN 978-0123815507. — 滤波理论数学化（与 KS 互补）。

[X6] A. Gelb (ed.). Applied Optimal Estimation. MIT Press, 1974. ISBN 978-0262570480. — Kalman 滤波的工程实践（Ch 6.3 引用）。

[X7] P. S. Maybeck. Stochastic Models, Estimation, and Control, Vol. 1–3. Academic Press, 1979. ISBN 978-0124807013. — Kalman 滤波的"百科全书"（Ch 6.3 引用）。

[X8] G. Kallianpur. Stochastic Filtering Theory. Springer, 1980. ISBN 978-0387904450. — 滤波理论的数学严格化（Ch 6.3 引用）。

[X9] A. Bensoussan. Stochastic Control of Partially Observable Systems. Cambridge University Press, 1992. ISBN 978-0521350709. — 非线性滤波 + Zakai 方程（Ch 6.3 引用）。

[X10] M. H. A. Davis. Linear Estimation and Stochastic Control. Chapman & Hall, 1977. ISBN 978-0412155605. — 滤波 + 控制 + 鞅论的综合（Ch 6.3 引用）。

[X11] D. W. Stroock, S. R. S. Varadhan. Multidimensional Diffusion Processes. Springer, 1979. ISBN 978-3540902983. — Stroock-Varadhan 支持定理的原始来源（Ex 6.10 引用）。

[X12] E. Pardoux. Stochastic partial differential equations and filtering of diffusion processes. Stochastics 3(2): 127–167, 1979. — 非线性滤波的 SPDE 形式（Zakai 方程、Pardoux 方程）。

第 6 章 滤波问题（The Filtering Problem）

作者