.png){kind=icon}
返回
State Estimation With Model Uncertainty Using Structure Variational Bayesian and Transfer Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/JAS.2025.125825.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的方法，通过利用迁移学习来解决马尔可夫跳变线性系统中状态估计的参数不确定性问题。假设源域模型可用且可靠，而目标域模型具有显著的模型参数不确定性。为提高目标域的估计性能，所提出的方法从源域转移模型知识，并通过调节因子进行调整，然后将其整合到目标域估计器中。更具体地说，该方法涉及将源域的状态预测修改后的概率密度函数转移到目标域，并利用目标域中的测量数据通过结构变分贝叶斯推断确定调节因子。通过数值示例和一个1-DOF扭振系统，我们展示了所提出的自适应状态估计器在处理参数不确定性时相较于现有鲁棒状态估计方法的竞争力。结果表明，该方法能够提升实际场景中的估计精度，展现出其在现实应用中的潜力。
Keyword:
Markovian jump linear systems
parameter uncertainty
state estimation
structure variational inference
transfer learning
期刊
I
IF:
0
论文数:
116
被引数:
0
机构
引用论文
.png){kind=icon}
Adaptive H-infinity extended Kalman filtering for a navigation system in presence of high uncertainties高不确定性环境下导航系统的自适应H-∞扩展卡尔曼滤波
OAAI
OAAI分享收藏
分享收藏
查看更多内容