随机反应网络正则化粒子滤波的收敛性
定量方法
2021-10-18 v1
摘要
随机反应网络（SRN）的滤波是系统/合成生物学中的一个重要问题，旨在估计未观测化学物种的状态。一个好的解决方案可以为科学家提供关于隐藏动态状态的有价值信息，并实现最优反馈控制。通常，模型参数需要与状态变量同时推断，而传统粒子滤波器由于样本退化可能无法准确解决此问题。在这种情况下，正则化粒子滤波器（RPF）比传统方法更受青睐，因为RPF可以通过用人工噪声扰动粒子来缓解样本退化。然而，人工噪声会给估计引入额外的偏差，因此RPF能否为SRN提供可靠结果尚存疑问。本文旨在确定在由双分子网络决定的滤波问题中，RPF收敛到精确滤波器的条件。首先，我们使用不同的动力学模型，包括连续时间马尔可夫过程、tau-leaping模型和分段确定性过程，为不同尺度的SRN建立了计算高效的RPF。然后，通过参数敏感性分析，我们证明，如果所有导致分子种群增加的反应都具有线性增长的倾向函数，并且同时满足一些其他温和条件，则所建立的RPF收敛到精确滤波器。这确保了RPF对于一大类SRN的性能，并通过几个数值例子来说明我们的结果。
引用
@article{arxiv.2110.07746,
title = {Convergence of regularized particle filters for stochastic reaction networks},
author = {Zhou Fang and Ankit Gupta and Mustafa Khammash},
journal= {arXiv preprint arXiv:2110.07746},
year = {2021}
}
备注
28 pages, 6 figures