RTSNet：在部分已知状态空间模型中学习平滑（预印本）
摘要
平滑任务是许多信号处理应用的核心。一种广泛流行的平滑器是 Rauch-Tung-Striebel (RTS) 算法，该算法在线性高斯状态空间 (SS) 模型下以低复杂度实现最小均方误差恢复，但在仅部分已知的系统以及非线性和非高斯系统中受限。本工作中我们提出 RTSNet，一种适用于部分已知 SS 模型的高效基于模型且数据驱动的平滑算法。RTSNet 将专用的可训练模型集成到经典 RTS 平滑器的流程中，同时通过深度展开方法迭代细化其序列估计。因此，RTSNet 在模型失配和非线性下运行时从数据中学习可靠平滑，同时保留传统 RTS 平滑算法的效率与可解释性。我们的实证研究表明，RTSNet 克服了非线性和模型失配，优于使用失配和准确领域知识的经典平滑器。此外，尽管 RTSNet 基于紧凑神经网络，从而带来更快的训练和推理时间，它在非线性设置中展现出优于先前提出的深度平滑器的性能。
引用
@article{arxiv.2110.04717,
title = {RTSNet: Learning to Smooth in Partially Known State-Space Models (Preprint)},
author = {Guy Revach and Xiaoyong Ni and Nir Shlezinger and Ruud J. G. van Sloun and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2110.04717},
year = {2023}
}
备注
This manuscript is a preprint. It is partially based on work presented at IEEE ICASSP, Singapore, 2022. RTSNet: Deep Learning Aided Kalman Smoothing, doi:10.1109/ICASSP43922.2022.9746487. The extended version has been accepted for publication in IEEE Transactions on Signal Processing, 2023 RTSNet: Learning to Smooth in Partially Known State-Space Models, doi:10.1109/TSP.2023.3329964