A Bayesian filtering network for state estimation with unknown system dynamics

Wei Yu

doi:10.1016/j.sigpro.2025.110365

A Bayesian filtering network for state estimation with unknown system dynamics

2025-10-27

0

PRE

AI

张强强 (Qiangqiang Zhang)

DOI：10.1016/j.sigpro.2025.110365

原文链接

原文求助

摘要

En 中文

为解决状态转移模型未知的贝叶斯滤波挑战，本文提出了一种基于随机变分推断（BOSVI）的贝叶斯优化框架，用于精确建模与状态估计。具体而言，所提出的BOSVI框架包含一个先验预测网络和一个后验修正网络。首先，先验网络利用参数化随机微分方程（SDE）对隐含系统动态进行建模，能够灵活近似非线性状态演化函数。然后，推导出证据下界（ELBO）以优化SDE参数，并生成系统状态上的先验分布。同时，为修正先验估计中的偏差，我们设计了一个利用实时观测数据进行后验更新的神经网络，该网络整合了GRU和自注意力机制，以动态优化状态估计并降低不确定性。最后，仿真结果表明，与其他代表性算法相比，所提出的BOSVI在各种扰动环境和观测不匹配条件下均实现了更优的估计性能。

A Bayesian filtering network for state estimation with unknown system dynamics

摘要

期刊

机构

引用论文