.png){kind=icon}
返回
EKF-based system parameter estimation under high-dimensional low-sample-size data
.png){kind=icon}
PRE
AI
DOI：10.1587/nolta.17.125.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态网络生物标志物（DNB）理论最近已作为一种有前景的框架，用于疾病的超早期检测，特别是在处理高维低样本量（HDLSS）数据时。一旦识别出此类早期预警信号，及时干预对于防止疾病进展至不可逆状态至关重要。从控制理论的角度来看，这种干预旨在通过提高系统稳定性裕度来避免临界转变，这一过程被称为再稳定化。成功的再稳定化需要了解系统参数。然而，生物数据集的HDLSS特性对精确的系统参数识别构成了重大挑战。为解决此问题，本研究探讨了扩展卡尔曼滤波器（EKF）的应用，并提出了一种新颖的双环EKF方法。在内环迭代中，我们通过将状态和未知参数扩展到统一模型中，并采用具有一阶线性化的EKF，同时估计系统状态和未知参数。同时，外环通过重用历史测量数据迭代优化这些参数估计，无需额外数据采集。对低维和高维系统的数值模拟表明，所提出的双环EKF方法在参数估计精度方面显著优于传统EKF方法，突显其在复杂生物背景中的潜在适用性。
Keyword:
DNB theory
system identification
EKF method
期刊
I
IF:
0.6
论文数:
39
被引数:
246
机构
暂无机构信息
引用论文
Oku M. Two Novel Methods for Extracting Synchronously Fluctuated Genes. IPSJ Trans. Bioinform 2019;12:9-16.Oku M. 两种提取同步波动基因的新型方法。IPSJ Trans. Bioinform 2019;12:9-16..png)
IF0
PREAI
分享收藏Model-Free Dominant Pole Placement for Restabilizing High-Dimensional Network Systems via Small-Sample-Size DataIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
分享收藏
查看更多内容