使用变分推断学习最优滤波器
通过集成卡尔曼滤波器(EnKF)近似推断隐藏状态的后验分布,我们提出了一种改进的变分推断方法,有效地训练高斯过程状态空间模型(GPSSM),并在学习和推断性能方面优于现有方法。
Dec, 2023
用优化方法代替矩阵存储、求逆和乘法、蒙特卡罗估计等不适用于高维状态空间(如人工神经网络的权重空间)的传统方法,将标准的贝叶斯滤波问题转化为对具有时变目标的优化问题。我们发现,在线性 - 高斯模型下的卡尔曼滤波以及非线性模型的实验结果表明,我们的框架能够得到有效、稳健且可扩展到高维系统的滤波器,与标准贝叶斯滤波解决方案相比具有优势,并且我们认为,更容易调整优化器而不是确定正确的滤波方程,使我们的框架成为处理高维滤波问题的有吸引力的选择。
Nov, 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
通过将系统状态和噪声参数的联合估计转化为优化问题,提出了一种基于共轭 - 计算变分推理(CVIAKF)的新型自适应卡尔曼滤波器方法,用于近似潜变量的联合后验概率密度函数。与现有的自适应卡尔曼滤波器方法不同的是,CVIAKF 在期望参数空间中进行优化,从而实现更快且更简单的解决方案。同时,CVIAKF 将优化目标分为非线性动力模型的共轭部分和非共轭部分,并分别应用共轭计算和随机镜像下降。值得注意的是,重参数化技巧用于降低非共轭部分的随机梯度方差。通过合成和真实世界的机动目标跟踪数据集验证了 CVIAKF 的有效性。
Dec, 2023
针对高维度的非高斯状态空间模型、非线性且可能是混沌动力学以及空间与时间稀疏的观测,我们提出了一种新的过滤方法,使用交通测度、凸优化和概率图模型的思想来产生高维度下的坚韧的集成近似过滤分布。我们的方法可被理解为集成卡尔曼滤波器(EnKF)的自然推广,使用随机或确定性耦合来进行非线性更新。使用非线性更新可以降低 EnKF 的固有偏差,只带来少量的计算成本。我们避免了任何形式的重要性采样,并引入了维度可扩展性的非高斯本地化方法。我们的框架在混沌区域的 Lorenz-96 模型的挑战配置下实现了最先进的跟踪性能。
Jun, 2019
基于最优输运解释的非线性滤波方法通过模拟和无似然算法估计从当前状态分布到下一个时间步的 Brenier 最优输运映射,利用神经网络建模复杂和多模态分布以及采用随机优化算法提高可伸缩性,通过广泛的数值实验与 SIR 粒子滤波器和集合卡尔曼滤波器进行比较,展示了我们方法在样本效率、高维可伸缩性和捕捉复杂和多模态分布等方面的优越性。
Oct, 2023
从有噪音观测数据中对动态系统进行状态估计是许多应用中的一个基本任务。本文介绍了一种无参数算法,通过简短的迭代过程对 Kalman 滤波器的标准更新步骤进行在线估计,从而减轻观测数据中异常值的有害影响。仿真和实地实验评估证明了我们的方法在滤波场景中对异常值的鲁棒性,相比其他算法表现出有竞争力的性能。
Sep, 2023
该论文提出了一种使用时间生成模型进行反事实推断的方法,利用统一算法高效地学习广谱卡尔曼滤波器,其中还引入了 “Healing MNIST” 数据集用于建模,并基于 8000 名患者超过 4.5 年的电子病历数据显示了其对反事实推断的有效性。
Nov, 2015