通过离线学习表达自由度实现非线性状态空间模型的高效在线推断与学习

智能真实系统严重依赖其系统状态及变化运行条件的表达信息，例如因温度、位置、磨损或老化的变化。为提供此类信息，在线推断与学习尝试同时执行状态估计与（部分）系统识别。当前方法将量身定制的估计方案与灵活的学习基模型组合，但由于推断问题中大量自由度（即待确定的参数）导致收敛问题和计算复杂度。为解决此问题，我们提出一种数据驱动的离线条件化方法，用于高度灵活的高斯过程（GP）公式，使得在线学习受限于由表达基函数张成的子空间。由于转换后问题的简单性，可采用标准粒子滤波器进行贝叶斯推断。与大多数现有工作不同，本方法使能够学习嵌套在一级原理模型中的非线性目标函数。此外，我们对限制在子空间内学习引入的误差进行理论量化。Monte-Carlo仿真研究基于非线性电池模型，表明本方法在收敛速度方面显著优于基线方法和一种最新方法，所需粒子数也大幅减少。