面向部分已知动态的 Jump Markov 系统滤波：一种基于模型的深度学习方法
机器学习
2025-11-14 v1 系统与控制
系统与控制
摘要
本文提出了 Jump Markov 滤波网络(JMFNet)，一种用于 Jump Markov 系统中实时状态估计的新型模型驱动深度学习框架。该框架针对噪声统计特性和模式转换动态未知的 Jump Markov 系统设计而来。我们提出一种混合架构，包含两个循环神经网络(RNN)：一个用于模式预测，另一个基于最近提出的 KalmanNet 架构的模式增强型滤波器。所设计的 RNN 通过交替最小二乘策略进行联合训练，实现无需对潜在模式进行监督的相互适应。大量数值实验在线性系统、非线性系统（包括目标跟踪、摆锚角度跟踪、Lorenz 吸引子动力学以及真实数据集）上表明，所提出的 JMFNet 框架优于经典模型驱动滤波器（如交互式多模型和粒子滤波器）以及模型无关的深度学习基线，尤其在非平稳和高噪声环境下表现更为突出。我们还展示了 JMFNet 在 KalmanNet 框架上取得小幅有意义的改进，该改进在复杂系统或长轨迹中尤为显著。最终，通过实验验证了该方法的性能是稳定可靠的，对初始条件、超参数选择以及错误模型知识都表现出低敏感性。
关键词
引用
@article{arxiv.2511.09569,
title = {Filtering Jump Markov Systems with Partially Known Dynamics: A Model-Based Deep Learning Approach},
author = {George Stamatelis and George C. Alexandropoulos},
journal= {arXiv preprint arXiv:2511.09569},
year = {2025}
}
备注
Submitted to an IEEE transactions journal, copyright may be transfered upon acceptance