.png){kind=icon}
返回
Learning-Based Nonlinear State Estimation With Unknown System Dynamics
.png){kind=icon}
PRE
AI
DOI：10.1109/lsp.2026.3737393.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际工业过程中，精确的系统动力学往往难以获取，这限制了基于模型的状态估计器的适用性。本文针对状态方程未知的系统，提出了一种新颖的学习型非线性状态估计方法。通过训练一个随机配置网络，利用离线状态轨迹来预测两个连续采样时刻之间的状态增量。然后，通过将学习到的增量加到前一个状态估计上，得到一步预测状态。为描述由模型近似误差和过程扰动引起的不确定性，将预测协方差视为未知随机矩阵，并通过变分贝叶斯估计框架与状态一起递归更新。洛伦兹系统仿真将所提出的方法与代表性的学习型估计器以及已知模型的扩展卡尔曼滤波器参考方法进行了比较。结果表明，该方法具有紧凑的模型尺寸、快速在线推理、具有竞争力的精度，并在过程噪声不匹配情况下表现出改进的鲁棒性。
Keyword:
Learning-based state estimation
nonlinear state estimation
stochastic configuration network
unknown system dynamics
variational Bayesian inference
