高斯过程的鲁棒滤波和平滑

Mar, 2012

Robust Filtering and Smoothing with Gaussian Processes

Marc Peter Deisenroth, Ryan Turner, Marco F. Huber, Uwe D. Hanebeck, Carl Edward Rasmussen

TL;DR提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，用于非线性随机动态系统的系统识别和控制。在机器学习，机器人和控制领域，这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明，所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。

Abstract

We propose a principled algorithm for robust bayesian filtering and smoothing in nonlinear stochastic dynamic systems when both the transition function and the measurement function are described by non-parametric

bayesian filtering nonlinear stochastic dynamic systems gaussian process models system identification robotics and control

发现论文，激发创造

高斯过程用于非线性信号处理

本文介绍用高斯过程进行非线性估计问题的解决，讨论了其中的一些重要方面和扩展，包括递归和自适应算法处理非平稳、低复杂度解决方案、非高斯噪声模型和分类场景，最后提供了几个无线数字通信的应用实例。

Mar, 2013

基于快速高斯过程的非线性 ODE 系统参数识别中的梯度匹配

本研究提供了一种基于高斯过程回归的 Bayesian 方法的解释，用于参数估计和比较动态系统，提高了非线性动态系统的参数估计和性能准确度，弥补了该方法的严谨数学框架不足之处。

Apr, 2018

普通微分方程的概率解作为非线性贝叶斯滤波：新视角

本文提出了一种以高斯过程回归为基础的概率数值逼近方法来解决常微分方程，通过构建一个测量序列，观测高斯过程导数和向量场之间的差值，可以将问题转化为非线性贝叶斯滤波问题，从而推导出新颖的高斯支持 ODE 算法以及粒子滤波方法的非高斯近似。

Oct, 2018

高斯过程学习非线性动力学

科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

Dec, 2023

基于卡尔曼滤波器和平滑器的非线性动态系统参数估计

研究用于非线性状态空间模型的近似极大似然参数估计，讨论了直接最大化似然和 EM 算法，使用 sigma 点来近似所需积分的高斯滤波和平滑算法，比较了不同阶的 unscented 变换以及高斯 - 埃尔米特积分规则得出的方法在两个模拟实验中的表现

Apr, 2015

高斯过程回归的谨慎模型预测控制

本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

May, 2017

贝叶斯回归和分类高斯过程模型的蒙特卡罗实现

本文提出了使用高斯过程模型来进行非参数回归，分类等任务，通过使用马尔科夫链方法对高斯过程的协方差函数的超参数进行采样，可以发现数据的高级特性并实现预测响应所需输入的相关性。

Jan, 1997

状态相关噪声的高斯过程用于随机控制

该论文考虑了使用高斯过程学习动态系统的残差模型不确定性的随机控制框架，其中残差模型不确定性包括非线性函数和状态相关噪声，并提出了一种后验高斯过程来近似残差模型不确定性和一种先验高斯过程来解释状态相关噪声，这两种高斯过程相互依赖并使用迭代算法共同学习，该方法有快速收敛和准确的状态相关噪声估计的优势。

May, 2023

随机微分方程的近似贝叶斯学习

使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

Feb, 2017

广义卡尔曼平滑：建模与算法

通过最优化视角，我们讨论了动态系统的常规统计模型，并充分利用了非光滑凸惩罚和约束，提供了与信号处理和机器学习中重要模型的联系。我们调查了这些问题的优化技术，特别关注动态问题结构，并用数值例子说明了建模概念和算法。

Sep, 2016