×
马赫迪·伊马尼；爱德华·多尔蒂。；乌利斯布拉加-内托

模型不确定性下的布尔卡尔曼滤波和平滑。 （英语） Zbl 1430.93212号

Automatica公司 111，文章ID 108609，14 p.（2020）.
摘要：部分观测布尔动力系统（POBDS）是一类通用的非线性状态空间模型，为许多复杂动力系统的建模提供了丰富的框架。该模型由一个隐藏的布尔状态过程组成，通过任意噪声映射到测量空间来观察。最优最小均方误差（MMSE）POBDS状态估计器是布尔卡尔曼滤波器和平滑器。然而，在许多实际问题中，系统参数不是完全已知的，必须进行估计。在本文中，对于模型不确定性下的POBDS，我们导出了用于状态和参数估计的最优贝叶斯估计器。推导了离散参数空间和有限参数空间的精确算法，并对一般参数空间引入了近似的Markov-chain Monte-Carlo（MCMC）实现。我们通过对通过噪声测量观测到的基因调控网络的POBDS模型进行数值实验，验证了所提方法的性能。

引用于1文件

MSC公司：

93E11号机组 随机控制理论中的滤波
93埃14 随机控制理论中的数据平滑
93元29角 布尔控制/观测系统
92立方厘米 系统生物学、网络

关键词：

部分可观测的布尔动力系统；最优贝叶斯估计；最小均方误差；布尔卡尔曼滤波器和平滑器；基因调控网络

软件：

系统标识工具箱；起重机；布尔过滤器
PDF格式BibTeX公司 XML格式引用
\textit{M.Imani}等人，Automatica 111，文章ID 108609，14 p.（2020；Zbl 1430.93212）
全文： 内政部

参考文献：

[1] Andrieu，C。；Doucet，A。；霍伦斯坦，R.，《粒子马尔可夫链蒙特卡罗方法》，英国皇家统计学会杂志。B系列统计方法，72，3，269-342（2010）·Zbl 1411.65020号
[2] Bahadorinejad，A。；伊马尼，M。；Braga-Neto，U.，《部分观测布尔动力系统中用于故障检测的自适应粒子滤波》，IEEE/ACM计算生物学和生物信息学汇刊（2018），出版社
[3] Batchelor，E。；Loewer，A。；Lahav，G.，《p53的兴衰：理解单个细胞中的蛋白质动力学》，《自然评论癌症》，9，5，371-377（2009）
[4] Braga-Neto，U.，布尔动力系统的最佳状态估计，（信号、系统和计算机（ASILOMAR），2011年第四十五届ASILOMAR会议的会议记录，IEEE），1050-1054
[5] 布鲁克斯，S。；Gelman，A。；琼斯·G。；孟晓乐，《马尔可夫链蒙特卡罗手册》（2011），CRC出版社·Zbl 1218.65001号
[6] 陈，Y。；Dougherty，E.R。；Bittner，M.L.，基于比率的决策和cDNA微阵列图像的定量分析，生物医学光学杂志，2，4，364-374（1997）
[7] Crisan博士。；Miguez，J.，离散时间状态空间马尔可夫模型在线参数估计的嵌套粒子滤波器，Bernoulli，24，4A，3039-3086（2018）·Zbl 1414.62346号
[8] 洛杉矶道尔顿。；Dougherty，E.R.，《贝叶斯框架内期望误差最小的最优分类器——第一部分：离散和高斯模型》，模式识别，46，5，1301-1314（2013）·Zbl 1264.68142号
[9] 洛杉矶道尔顿。；Dougherty，E.R.，《贝叶斯框架内期望误差最小的最优分类器——第二部分：属性和性能分析》，模式识别，46，5，1288-1300（2013）·Zbl 1264.68141号
[10] 洛杉矶道尔顿。；Dougherty，E.R.，本质最优贝叶斯稳健滤波，IEEE信号处理学报，62，3，657-670（2014）·Zbl 1394.94145号
[11] Dehghannasiri，R。；Dougherty，E.R.，未知噪声统计下的贝叶斯稳健卡尔曼平滑器，EURASIP信号处理进展杂志，2018，55（2018）
[12] Dehghannasiri，R。；Esfahani，M.S。；Dougherty，E.R.，《本质贝叶斯稳健卡尔曼滤波器：创新过程方法》，《IEEE信号处理学报》，65，10，2531-2546（2017）·兹比尔1414.94160
[13] Dehghannasiri，R。；Esfahani，M.S。；钱，X。；Dougherty，E.R.，带事先更新的最优贝叶斯卡尔曼滤波，IEEE信号处理汇刊，66，8（2018）·Zbl 1414.94161号
[14] 德容，D.N。；利森菲尔德，R。；莫拉，G.V。；理查德·J·F。；Dharmarajan，H.，《国家空间表征的有效似然评估》，《经济研究评论》，第80、2、538-567页（2012年）·Zbl 1263.91036号
[15] Doucet，A。；De Freitas，N。；Gordon，N.，《序贯蒙特卡罗方法在实践中的应用》（2001），Springer-Verlag·Zbl 0967.00022号
[16] Doucet，A。；Godsill，S。；Andrieu，C.，《关于贝叶斯滤波、统计和计算的序贯蒙特卡罗抽样方法》，10，3，197-208（2000）
[17] Doucet，A。；新泽西州戈登。；Krishnamurthy，V.，跳马尔可夫线性系统状态估计的粒子滤波器，IEEE信号处理汇刊，49，3，613-624（2001）
[18] Dougherty，E.R.，《不确定性下的最优信号处理》（2018），SPIE出版社
[19] 福雷，A。；纳尔迪，A。；Chaouiya，C。；Thieffry，D.，控制哺乳动物细胞周期的通用布尔模型的动态分析，生物信息学，22，14，e124-e131（2006）
[20] Ghoreshi，S.F.，《多信息源和大尺度系统中的贝叶斯优化》（2019），德克萨斯农工大学：德克萨斯农工学院，博士论文
[21] Ghoreshi，S。；Allaire，D.，耦合多学科系统的自适应不确定性传播，美国航空航天研究所，3940-3950（2017）
[22] Ghoreshi，S.F。；Allaire，D.，多信息源约束贝叶斯优化，结构和多学科优化，59，3，977-991（2019）
[23] Ghoreshi，S.F。；弗里德曼，S。；Allaire，D.L.，高斯过程快速序列优化的自适应降维，机械设计杂志，141，7，071404（2019）
[24] Ghoreshi，S.F。；Imani，M.，《使用下一代测序数据在基因调控网络中进行离线故障检测》，（2019年第53届信号、系统和计算机asilomar会议（2019），IEEE），新闻稿
[25] 吉尔克斯，W.R。；理查森，S。；Spiegelhalter，D.，《马尔可夫链蒙特卡罗实践》（1995），查普曼和霍尔/CRC·Zbl 0832.00018号
[26] 哈吉拉梅扎内伊，E。；伊马尼，M。；布拉加-内托，美国。；钱，X。；Dougherty，E.R.，调节模型不确定性下单细胞轨迹的可缩放最优贝叶斯分类，BMC Genomics，20，6，435（2019）
[27] Hastings，W.K.，《使用马尔可夫链的蒙特卡罗采样方法及其应用》，《生物统计学》，57，1，97-109（1970）·Zbl 0219.65008号
[28] Hua，J。；司马，C。；Cypert，M。；古登，G.C。；沙克，S。；Alla，L.，使用GFP报告子对药物疗效和作用机制的动态分析，《生物系统杂志》，20，04，403-422（2012）
[29] Imani，M.，《非线性状态空间模型中的估计、推理和学习》（2019年），德克萨斯农工大学：德克萨斯农工学院，博士论文
[30] 伊马尼，M。；Braga Neto，U.，使用布尔卡尔曼滤波器和多模型自适应估计的最优基因调控网络推断，（2015年第49届信号、系统和计算机会议（2015），IEEE），423-427
[31] 伊马尼，M。；Braga-Neto，U.，《使用布尔卡尔曼平滑器对布尔动力系统进行最优状态估计》，（2015年IEEE信号和信息处理全球会议（GlobalSIP）（2015年），IEEE），972-976
[32] 伊玛尼，M。；Braga-Neto，U.，具有有限观测空间的部分观测布尔动力系统的基于点的值迭代，（决策与控制（CDC），2016年IEEE第55届会议（2016年），IEEE），4208-4213
[33] 伊马尼，M。；Braga-Neto，U.，使用RNA-seq时间序列数据对部分观测布尔动力系统进行状态反馈控制，（美国控制会议（ACC），2016（2016），IEEE），227-232
[34] 伊马尼，M。；Braga-Neto，U.M.，部分观测布尔动力系统的最大似然自适应滤波器，IEEE信号处理学报，65，2，359-371（2017）·Zbl 1414.94268号
[35] 伊马尼，M。；Braga-Neto，U.，部分观测布尔动力系统的多模型自适应控制器，（2017年美国控制会议论文集（ACC 2017），西雅图，华盛顿州（2017），IEEE），1103-1108
[36] 伊马尼，M。；Braga-Neto，U.，布尔卡尔曼滤波器的最佳有限地平线传感器选择，（2017年第51届信号、系统和计算机asilomar会议（2017年），IEEE），1481-1485
[37] 伊马尼，M。；Braga-Neto，U.M.，《含噪声测量和不确定输入的基因调控网络控制》，IEEE网络系统控制汇刊，5，2，760-769（2018）·Zbl 1507.92036号
[38] 伊马尼，M。；Braga-Neto，U.M.，部分观测布尔动力系统的Finite-horizon LQR控制器，Automatica，95，172-179（2018）·兹比尔1402.93145
[39] 伊马尼，M。；Braga-Neto，U.，从任意相关测量值进行基因调控网络状态估计，EURASIP信号处理进展杂志，2018，1，22（2018）
[40] 伊马尼，M。；Braga-Neto，U.，具有未知成本函数的基因调控网络的最优控制，（2018年美国控制会议（ACC 2018）（2018），IEEE），3939-3944
[41] 伊马尼，M。；Braga-Neto，U.M.，部分观测布尔动力系统的粒子滤波器，Automatica，87，238-250（2018）·Zbl 1378.93126号
[42] 伊马尼，M。；Braga-Neto，U.，使用贝叶斯反向强化学习控制基因调控网络，IEEE/ACM计算生物学和生物信息学汇刊，16，4，1250-1261（2019）
[43] 伊马尼，M。；Braga-Neto，U.M.，通过噪声测量监测和控制基因调控网络的基于点的方法，IEEE控制系统技术汇刊，271023-1035（2019）
[44] 伊马尼，M。；Dehghannasiri，R。；布拉加-内托，U.M。；Dougherty，E.R.，基于不确定性平均目标成本的基因调控网络最优结构干预的序贯实验设计，癌症信息学，17（2018）
[45] Imani，M.、Ghoreishi，S.F.、Allaire，D.和Braga-Neto，U.M.（2019年）。MFBO-SSM:用于状态空间模型中快速推理的高保真度贝叶斯优化，in：AAAI，第33卷（第7858-7865页）。
[46] Imani，M.、Ghoreishi，S.F.和Braga-Neto，U.M.（2018年）。数据差环境中具有未知动力学的大型MDP的贝叶斯控制，in:神经信息处理系统的进展，（第8156-8166页）。
[47] Ionides，E.L.公司。；布雷托，C。；King，A.A.，《非线性动力系统的推断》，《国家科学院学报》，103、49、18438-18443（2006）
[48] Jazwinski，A.H.，《随机过程与滤波理论》，第64卷（1970年），学术出版社·Zbl 0203.50101号
[49] Johansen，A.M。；Doucet，A。；Davy，M.，潜在变量模型中最大似然估计的粒子方法，统计与计算，18，1，47-57（2008）
[50] 朱利尔，S.J。；Uhlmann，J.K。；Durrant-Whyte，H.F.，《非线性系统滤波的新方法》，（美国控制会议，1995年会议记录，第3卷（1995），IEEE），1628-1632
[51] Kalman，R.E.，《线性滤波和预测问题的新方法》，《基础工程杂志》，82，1，35-45（1960）
[52] 坎塔斯，N。；Doucet，A。；辛格，S.S。；Maciejowski，J。；肖邦，N.，《关于状态空间模型中参数估计的粒子方法》，《统计科学》，30，3，328-351（2015）·Zbl 1332.62096号
[53] Kauffman，S.，随机构建遗传网络中的代谢稳定性和表观发生，理论生物学杂志，22437-467（1969）
[54] 刘庆英。；神经节，S。；Tang，C.，《功能约束网络结构和动力学：酵母细胞周期布尔网络的案例研究》，《物理评论》E，75，5，051907（2007）
[55] Lindsten，F。；M.I.乔丹。；Schön，T.B.，带祖先采样的粒子吉布斯，机器学习研究杂志（JMLR），15，1，2145-2184（2014）·Zbl 1319.60151号
[56] Magill，D.，抽样随机过程的最优自适应估计，IEEE自动控制汇刊，10，4，434-439（1965）
[57] 马利克，S。；Pitt，M.K.，《连续可能性评估和最大化的粒子过滤器》，《计量经济学杂志》，165，2，190-209（2011）·Zbl 1441.62807号
[58] Martin，J.J.，贝叶斯决策问题和马尔可夫链（1967），Wiley·Zbl 0164.50102号
[59] 马蒂诺，L。；里德·J。；埃尔维拉，V。；Louzada，F.，《用于在线模型选择和城市交通应用的合作并行粒子滤波器》，数字信号处理，60，172-185（2017）
[60] Maybeck，P.S.，《随机模型、估计和控制》，第3卷（1982年），学术出版社·Zbl 0546.93063号
[61] 麦克伦尼，L.D。；伊马尼，M。；Braga-Neto，U.M.，具有相关观测噪声的布尔卡尔曼滤波器，（声学、语音和信号处理（ICASSP），2017年IEEE国际会议（2017年），IEEE），866-870
[62] 麦克伦尼，L.D。；伊马尼，M。；Braga-Neto，U.M.，Boolfilter：估计和识别部分观测布尔动力系统的R包，BMC生物信息学，18，1，519（2017）
[63] 麦克伦尼，L.D。；伊马尼，M。；Braga-Neto，U.，BoolFilter包vignette，The Comprehensive R Archive Network（CRAN）（2017年）
[64] Messerschmitt，D.，数字系统设计中的同步，IEEE通信选定领域期刊，8，81404-1419（1990）
[65] Mohsenizadeh，D。；Dehghannasiri，R。；Dougherty，E.，具有实验误差的不确定动态基因网络的基于目标的最佳实验设计，IEEE/ACM计算生物学和生物信息学汇刊（2016）
[66] 钱，X。；Dougherty，E.R.，《带网络先验的贝叶斯回归：最优贝叶斯滤波视角》，《IEEE信号处理汇刊》，64，23，6243-6253（2016）·兹比尔1414.94489
[67] 罗利，A。；Manfroni，M。；平西罗利，C。；Birattari，M.，关于布尔网络机器人的设计，（进化计算的应用（2011），Springer），43-52
[68] Schön，T.B。；Wills，A。；Ninness，B.，非线性状态空间模型的系统识别，Automatica，47，1，39-49（2011）·Zbl 1209.93155号
[69] Silver，E.A.（1963年）。转移概率或回报不确定的马尔科夫决策过程，技术代表，技术报告，国防技术信息中心。
[70] Urteaga，I。；布加洛，M.F。；Djurić，P.M.，模型不确定性下的序贯蒙特卡罗方法，（统计信号处理研讨会（SSP），2016 IEEE（2016），IEEE），1-5
[71] Van Der Merwe，R.，动态状态空间模型中概率推断的Sigma-point Kalman滤波器（2004），俄勒冈州健康与科学大学（博士论文）
[72] Weinberg，R.，《癌症生物学》，《加兰科学》（2006）
[73] Whiteley，N.、Andrieu，C.和Doucet，A.（2010年）。使用离散粒子马尔可夫链蒙特卡罗方法切换状态空间模型的高效贝叶斯推断，arXiv预印本arXiv:1011.2437。
[74] Wills，A。；Schön，T.B。；Ljung，L。；Ninness，B.，Hammerstein-Wiener模型的识别，Automatica，49，1，70-81（2013）·Zbl 1257.93109号
[75] Yoon，B.-J。；钱，X。；Dougherty，E.R.，量化复杂动力系统中不确定性的目标成本，IEEE信号处理汇刊，61，9，2256-2266（2013）
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。