DANSE: 无监督学习设置下基于数据驱动的无模型流程非线性状态估计

Jun, 2023

DANSE: Data-driven Non-linear State Estimation of Model-free Process in Unsupervised Learning Setup

Anubhab Ghosh, Antoine Honoré, Saikat Chatterjee

TL;DR该论文提出了一种基于数据的非线性状态估计方法，使用反复神经网络捕捉模型无自由过程的非线性动态，结合朴素贝叶斯方法进行无监督学习，证明其在模拟线性和非线性模型下具有与传统模型驱动方法相当的性能。

Abstract

We address the tasks of bayesian state estimation and forecasting for a model-free process in an unsupervised learning setup. In the artic

发现论文，激发创造

基于迭代线性化动力学模型的集成嵌套拉普拉斯近似方法，通过产生每次迭代的高斯马尔科夫随机场，利用 INLA 推断状态和参数，从而提供了处理非线性偏微分方程先验的更细致的方法，改进了在数据稀疏性普遍存在的情况下的预测准确性和鲁棒性。

Feb, 2024

本文提出了一种基于状态空间表示和自我监督训练技术的视觉机器人操作方法，通过估计可变形物体状态、训练神经网络动力学模型以及采用模型预测控制器，实现高效而准确的物体操纵。

Nov, 2019

本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

Feb, 2019

本文介绍了一种用于无人监督学习序列数据的框架 ——Kalman 变分自编码器，该框架在描述视频中的动态变化时不使用构成其帧的像素空间，而是用一个描述其物体非线性动态的隐藏空间。该模型在各种模拟的物理系统视频中进行端到端训练，在生成和缺失数据输入任务方面优于竞争方法。

Oct, 2017

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

本文研究非线性状态空间模型中动态状态和动态噪声协方差的联合和递归估计问题，提出了一种基于近似贝叶斯推断原理的非线性状态估计和模型参数识别的递归解决方案。方法基于随机搜索变分推断，通过引入辅助潜变量和优化共轭和非共轭项实现了推断速度和准确度的平衡，通过仿真和实际数据的雷达跟踪应用验证了方法的性能。

May, 2023

使用神经网络构建基于代理的数据同化模型，将可观测性和有效区域概念嵌入设计中，实现对有限区域状态的高效估计。

Jul, 2023

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

本文提出了一种新的数据驱动建模范式，该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场，并在非均匀时间步长的数据中加入龙格 - 库塔积分器，以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力，并表明它对大量测量误差具有强鲁棒性。

Aug, 2018

本文提出了一种依赖于稀疏测量数据的深度学习方法，可以对非线性系统动力学行为进行建模和状态估计，并在多个测试数据集上验证了其有效性。

Apr, 2022