×
于兴凯;李建勋;徐健

基于变分贝叶斯推理的非高斯乘性/加性噪声系统估计算法。 （英语） Zbl 1417.93307号

国际期刊改编。控制信号处理。 33，第4号，586-608（2019）.
摘要：本文研究了受非高斯乘性和加性噪声污染的线性和非线性系统的估计算法。基于变分思想，为了得到最优估计算法，我们将乘性噪声和状态作为联合参数进行估计。建立了变分贝叶斯推理在状态和乘性噪声联合估计中的应用。通过将状态视为未知量以及乘法噪声，现在在后验分布中，状态和乘法噪声之间存在相关性。贝叶斯学习有两个主要目标。第一种方法是近似边际似然（乘法噪声的PDF）来进行模型比较。第二种方法是近似状态的后验分布（也称为系统模型），然后可用于预测。这两个目标构成了迭代算法。确定环路的规则是状态的真实分布和选定的固定可处理分布之间的Kullback-Leibler散度，该散度用于近似真实分布。推导了基于采样思想初始化的迭代算法。同时，给出了该迭代算法的收敛性分析。在非线性隐马尔可夫模型、状态空间模型和具有非高斯乘性噪声的目标跟踪模型的背景下，数值仿真结果表明，该方法与现有经典算法相比，不仅在速度、精度、，和计算负载，但也在处理非高斯复噪声的能力。

引用于2文件

理学硕士：

93E10型 随机控制理论中的估计与检测
93二氧化碳 控制理论中的线性系统
93立方厘米 控制理论中的非线性系统
2015年1月62日 贝叶斯推断

关键词：

加性噪声;乘性噪声;非高斯分布;状态估计;变分贝叶斯推理
PDF格式BibTeX公司 XML格式引用
\textit{X.Yu}等人，《国际期刊》改编。控制信号处理。33，编号4，586-608（2019；兹bl 1417.93307）
全文： 内政部

参考文献：

[1] 图格奈特J。白乘性噪声中随机信号最优线性估计的稳定性。IEEE Trans Autom控制。1981;26(3):757‐761. ·Zbl 0481.93062号
[2] GershonE、FridmanE、ShakedU。状态乘性噪声系统的基于预测的控制。IEEE Trans Autom控制。2017;62(2):914‐920. ·Zbl 1364.93846号
[3] SongX、ParkJH、YanX。具有周期系数和乘性噪声的测量延迟系统的线性估计。IEEE Trans Autom控制。2017;62(8):4124‐4130. ·Zbl 1373.93329号
[4] Bioucas‐DiasJM，图iredoMAT。使用可变分割和约束优化去除乘法噪声。IEEE Trans-Image处理。2010;19(7):1720‐1730. ·Zbl 1371.94055号
[5] Zhang L、Zhang X‐D。具有乘性/加性噪声系统的最优滤波算法。IEEE信号处理Lett。2007;14（7）：469‐472。
[6] BessonO、VincentF、StoicaP、GershmanAB。乘法噪声环境中阵列处理的近似最大似然估计量。IEEE传输信号处理。2000年；48(9):2506‐2518. ·Zbl 0995.94011号
[7] ChenY‐L、ChenB‐S。随机参数和噪声不确定性下的Minimax鲁棒反褶积滤波器。IEEE传输信号处理。1994;42(1):32‐45.
[8] BasinM、ShiP、SotoP。具有乘性噪声的非线性多项式系统的基于均方数据的控制器。通知科学。2012;195:256‐265. ·Zbl 1256.93116号
[9] SongX，ParkJH。具有多通道乘性噪声的离散时间测量延迟系统的线性最优估计。IEEE Trans Circuits Syst II快速简报。2017;64(2):156‐160.
[10] YuX、LiJ、XuJ、ZhangZ。具有复杂噪声的等式约束系统的最优状态估计。优化控制应用方法。2018;39(5):1684‐1701. ·Zbl 1402.93242号
[11] AljuwaiserE、BadrR、HassanMF。非线性离散时间系统的新状态估计器。优化控制应用方法。2017;38(5):754‐777. ·Zbl 1373.93319号
[12] LiuJS，ChenR。动态系统的序贯蒙特卡罗方法。《美国统计学会杂志》，1998年；93(443):1032‐1044. ·Zbl 1064.65500号
[13] MiroslavŠ、KrálovecJ、SöderströmT。非线性状态估计的先进点质量法。自动化。2006;42(7):1133‐1145. ·Zbl 1118.93052号
[14] KozierskiP、LisM、HorlaD。稳健的粒子滤波器——反零偏修正。国际J鲁棒非线性控制。2016;26(16):3645‐3661. ·Zbl 1351.93156号
[15] VrettasMD，CornfordD，OpperM。随机系统中的参数估计：变分贝叶斯方法。Phys D非线性现象。2011;240(23):1877‐1900. ·Zbl 1229.62109号
[16] Ait‐El‐FquihB，HoteitI。大维系统的变分贝叶斯多粒子滤波方案。IEEE传输信号处理。2016;64(20):5409‐5422. ·Zbl 1414.94027号
[17] SatoM‐A公司。基于变分贝叶斯的在线模型选择。神经计算。2001;13(7):1649‐1681. ·兹比尔1013.62087
[18] 昆纳·史密德夫。AR模型的基于混合的扩展及其递归贝叶斯辨识。IEEE传输信号处理。2005;53（9）：3530‐3542·Zbl 1373.62441号
[19] 昆纳·史密德夫。变分贝叶斯滤波。IEEE传输信号处理。2008;56(10):5020‐5030. ·Zbl 1390.94061号
[20] Ait‐El‐FquihB，罗德特。动态层析成像中的变分贝叶斯卡尔曼滤波。论文发表于：2011 IEEE声学、语音和信号处理国际会议（ICASSP）；2011; 捷克共和国布拉格。
[21] NummenmaaA，SarkkaS。基于变分贝叶斯近似的递归噪声自适应卡尔曼滤波。IEEE Trans Autom控制。2009;54(3):596‐600. ·Zbl 1367.93658号
[22] BealMJ公司。近似贝叶斯推断的变分算法[论文]。英国剑桥：剑桥大学；2003
[23] 卡胡宁·瓦尔波拉。非线性动态状态空间模型的无监督集成学习方法。神经计算。2002;14(11):2647‐2692. ·Zbl 1057.68094号
[24] WangB，TitteringtonDM。状态空间模型的平均场和变分贝叶斯近似缺乏一致性。神经过程快报。2004;20(3):151‐170.
[25] Smidl，V.信号处理中的变分贝叶斯方法。德国柏林：Springer‐Verlag Berlin Heidelberg；2006
[26] 贾菲尔A，古普塔斯。观测不确定的递归贝叶斯估计（corresp）。IEEE Trans-Inf理论。1971;17(5):614‐616. ·Zbl 0222.62042号
[27] LiXR，Bar‐ShalomY公司。噪声识别的递归多模型方法。IEEE跨航空电子系统。1994;30(3):671‐684.
[28] JiS、KrishnapuramB、CarinL。连续隐马尔可夫模型的变分贝叶斯及其在主动学习中的应用。IEEE Trans-Pattern Ana Mach Intell公司。2006;28（4）：522‐532。
[29] OpperM、SaadD。高级平均场方法：理论与实践。马萨诸塞州剑桥：麻省理工学院出版社；2001. ·Zbl 0994.68172号
[30] YuX、LiJ、XuJ。基于变分贝叶斯推理的具有未知测量噪声和不确定参数的非线性系统鲁棒自适应算法。国际J鲁棒非线性控制。2018;28(10):3475‐3500. ·Zbl 1396.93137号
[31] 杜塞塔·克里斯安·D。针对从业人员的粒子滤波方法收敛结果调查。IEEE传输信号处理。2002;50(3):736‐746. ·Zbl 1369.60015号
[32] 王毅、英姿、朱伟。稳定不确定拟可积哈密顿系统的随机极小极大控制。自动化。2009;45(8):1847‐1853. ·Zbl 1185.93151号
[33] HuX‐L，SchönTB，LjungL。粒子滤波的基本收敛结果。IEEE传输信号处理。2008;56(4):1337‐1348. ·Zbl 1390.94218号
[34] WanEA，NelsonAT公司。双扩展卡尔曼滤波方法。收录：HaykinS（编辑），编辑：卡尔曼滤波和神经网络。纽约州纽约市：约翰·威利父子公司；2002:123‐170.chap第5页。
[35] 克里斯安·贝恩。《随机过滤基础》，第三版，纽约：Springer Science+Business Media LLC；2009. ·Zbl 1176.62091号
[36] HuX‐L，SchönTB，LjungL。粒子滤波的一般收敛结果。IEEE传输信号处理。2011;59(7):3424‐3429. ·Zbl 1391.93242号
[37] MbalawataIS，SärkkäS。关于一般重要性分布粒子滤波器的L^4收敛性。在2014年IEEE声学、语音和信号处理国际会议（ICASSP）上发表的论文；2014; 意大利佛罗伦萨。
[38] MbalawataIS，SärkkäS。无界测试函数粒子滤波器L^4收敛的权矩条件。在2014年第22届欧洲信号处理大会（EUSIPCO）上发表的论文；2014; 葡萄牙里斯本。
[39] BealMJ、GhahramaniZ、RasmussenCE。无限隐马尔可夫模型。论文发表于：神经信息处理系统：自然和合成（NIPS）；2001; 加拿大温哥华。
[40] QiY、Paisley JW、CarinL。使用隐马尔可夫混合模型进行音乐分析。IEEE传输信号处理。2007;55(11):5209‐5224. ·Zbl 1390.94373号
[41] KoSIM、ChongTTL、GhoshP。Dirichlet过程隐马尔可夫多变化点模型。贝叶斯分析。2015;10(2):275‐296. ·Zbl 1335.62052号
[42] SchonT、GustafssonF、Nordlund PJ。混合线性/非线性状态空间模型的边缘化粒子滤波器。IEEE传输信号处理。2005;53(7):2279‐2289. ·Zbl 1370.94229号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。