GSP-KalmanNet：通过神经辅助卡尔曼滤波跟踪图信号
信号处理
2023-11-29 v1 人工智能
机器学习
摘要
图信号的动态系统在社交网络、电网和交通等多种应用中都会遇到。尽管此类系统通常可描述为状态空间（SS）模型，但通过基于卡尔曼滤波器（KF）及其变体的常规工具跟踪图信号通常具有挑战性。这是由于现实世界图信号动态系统相关的非线性、高维性、域的不规则性以及复杂建模所致。在本工作中，我们研究使用基于模型/数据驱动的混合方法来跟踪图信号。我们开发了 GSP-KalmanNet，它通过联合利用图信号处理（GSP）工具和深度学习（DL）技术，从图测量中跟踪隐藏的图状态。GSP-KalmanNet 的推导基于扩展 KF 以通过图频域滤波利用固有图结构，这显著简化了处理高维信号所需的计算复杂度，并增强了对微小拓扑变化的鲁棒性。随后，我们遵循最近提出的 KalmanNet 框架利用数据学习卡尔曼增益，该框架应对部分与近似建模，而不对噪声统计强加特定模型。我们的实证结果表明，与基于模型和数据驱动的基准相比，所提出的 GSP-KalmanNet 实现了更高的精度与运行时间性能，以及对模型错误设定的更强鲁棒性。
引用
@article{arxiv.2311.16602,
title = {GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering},
author = {Itay Buchnik and Guy Sagi and Nimrod Leinwand and Yuval Loya and Nir Shlezinger and Tirza Routtenberg},
journal= {arXiv preprint arXiv:2311.16602},
year = {2023}
}
备注
Submitted for possible publication in the IEEE