最优 Kalman 预测与控制的神经网络学习
神经与进化计算
2008-05-29 v1
摘要
尽管存在许多用于预测和控制的神经网络 (NN) 算法，且 Kalman 早在 1960 年就提供了线性系统中的最优估计（包括滤波和预测）及最优控制方法（此后已有非线性扩展），但据我所知，除平稳控制这一特例外，尚无神经网络算法能够学习 Kalman 预测或 Kalman 控制。在此，我们展示了如何由仅含线性响应节点的循环神经网络，仅利用噪声测量数据流，来学习并执行最优 Kalman 预测与控制 (KPC) 以及系统辨识。KPC 的要求似乎对允许的神经网络电路和信号流施加了显著约束。这些约束所隐含的神经网络架构与哺乳动物大脑皮层的局部电路架构具有某些相似之处。我们讨论了这些相似性，以及限制我们要目前对生物功能进行推断的注意事项。有人提出，局部皮层电路 (LCC) 架构可能执行某些核心功能（尚不清楚），这些功能是感觉、运动及其他皮层处理的基础。合理推测此类功能可能包括预测、对缺失或噪声感觉数据的估计或推断，以及目标驱动的控制信号生成。发现的 KPC 神经网络架构与 LCC 架构之间的相似性与这一猜想一致。
引用
@article{arxiv.0805.4247,
title = {Neural network learning of optimal Kalman prediction and control},
author = {Ralph Linsker},
journal= {arXiv preprint arXiv:0805.4247},
year = {2008}
}