分布式卡尔曼滤波器在大型系统中的应用
本文提出了一种适用于高维动态系统的近似高斯滤波和平滑方法,通过投影预测步骤中与 Lyapunov 方程相关联的低秩矩阵流形来推进低秩协方差矩阵的逼近,从而将算法的复杂度从 Kalman 滤波的立方降至最坏情况下的二次方、并且在满足一定条件下可达到线性复杂度, experiments 中表明该方法在均值和协方差误差方面的表现优于基于集合的方法,成本不增加。
Jun, 2023
本文介绍了一种可扩展的贝叶斯技术,用于在动态环境中从多个平台进行去中心化状态估计。通过严格分散的方法并通过互动通信协议促进信息流,实现仅在附近平台之间交换信息和在分布式监视方案的上下文下进行评估,其结果展示了对大型车队的前所未有的可扩展能力。
Oct, 2012
本文提出了一种连续 - 离散滤波器的系统辨识方法,利用连续时间 Ito 随机微分方程的解作为潜在状态和协方差动力学的基础,通过引入一种新颖的两因子解析后验贝叶斯方法,并通过效率高的计算后验概率的算法,实现了对参数进行估计的 EM 过程,从而扩展了混合卡尔曼滤波器对不规则采样数据以及非线性系统辨识方法的应用范围。
Aug, 2023
本文解决了常见的线性二次估计问题,提出了真正的鲁棒滤波器:在测量噪声被敌对地破坏了甚至只有一个常数部分时,我们给出了强有力的可证明保证。该框架可以模拟重尾和甚至非平稳的噪声过程。我们的算法在鲁棒化卡尔曼滤波器方面具有竞争力,可以与知道破坏位置的最优算法竞争。
Nov, 2021
该研究提出了一种高效的在线近似贝叶斯推断算法,用于从可能的非静态数据流中估计非线性函数的参数,并通过使用后验精度矩阵的新型低秩加对角线分解,使每步成本与模型参数数量呈线性关系,与基于随机变分推断的方法相比,我们的方法是完全确定性的,不需要步长调整,并显示实验表明,这导致学习速度更快(更节约样本),从而更快地适应不断变化的分布,并作为上下文强化学习算法的一部分积累奖励更快。
May, 2023
本文主要介绍了一种实用的数据同化方法 —— 基于集合卡尔曼滤波算法,它将系统状态及其不确定性表示为系统状态的集合,重点在于易于使用和计算速度而非提高准确性。作者通过一些数值实验证明了该方法在全球天气预报模型下合理有效地同化真实大气数据的效率和准确性。
Nov, 2005
本研究考虑了从流数据中自适应和分布式地估算图滤波器的问题,将其建模为图上的共识估算问题,并引入一种预处理的图扩散 LMS 算法以提高算法的收敛速度,并提出了一种更为通用的解决方案,采用无监督的聚类方法来进行全局估计问题的分解。
Dec, 2019
该研究通过引入新的分布式实现的集合卡尔曼滤波器(EnKF),实现了对高维问题中大数据集的非顺序同化。采用传统的 EnKF 算法在计算上是复杂的,并在需要与背景协方差矩阵交互的应用中存在困难,因此需要使用顺序同化等方法,但这可能导致意外后果,如对观测排序的依赖。我们的实现利用了分布式计算的最新进展,在分布式内存中构建和使用完整的模型误差协方差矩阵,允许对所有观测进行批量同化,消除了顺序依赖。对比性能评估包括合成和现实世界的古气候重建应用结果表明,新的非顺序实现优于传统的顺序实现。
Nov, 2023
本文研究了利用系统辨识方法设计 Kalman 滤波器的问题,给出了一种两步法:第一步是获取有限数据的状态空间参数和 Kalman 增益的粗略估计,第二步是利用这些估计参数设计产生系统状态估计的滤波器,研究发现当获取的参数精确度较高,或核心的 Kalman 滤波器具有足够的鲁棒性时,计算得到的等价 Kalman 滤波器具有可证明的次优保证,也证明对于较脆弱的滤波器,采取附加的鲁棒约束可提高次优保证性能,同时提出用样本复杂度度量此问题的最小观测数据数。
Dec, 2019