深度滤波
最优化与控制
2020-08-11 v1
摘要
本文发展了一种用于线性和非线性滤波的深度学习方法。其思路是从一个名义动态模型出发并生成蒙特卡洛样本路径，随后利用这些样本训练一个深度神经网络。训练网络时采用最小平方误差作为损失函数。然后将所得权重应用于来自实际动态模型的蒙特卡洛样本。以此方式获得的深度滤波器在线性情形下优于传统卡尔曼滤波，在非线性情形下优于扩展卡尔曼滤波。此外，本文还研究了一个带跳变的切换模型，以展示我们深度滤波方法的自适应性与威力。深度滤波的一个主要优势在于当名义模型与实际模型不一致时具有鲁棒性。另一优势是真实数据可直接用于训练深度神经网络，因此无需对模型进行标定。
引用
@article{arxiv.2008.03878,
title = {Deep Filtering},
author = {Qing Zhang and George Yin and Leyi Wang},
journal= {arXiv preprint arXiv:2008.03878},
year = {2020}
}
备注
3 figuress