TL;DR本文探讨了使用现代机器学习和统计学工具分析随机系统识别的有限样本复杂性,使用子空间识别算法和 N 个输出样本提供了系统参数估计误差的非渐近高概率上界。
Abstract
In this paper, we analyze the finite sample complexity of stochastic system
identification using modern tools from machine learning and statistics. An
unknown discrete-time linear system evolves over time under G
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。