<title>Stochastic EM algorithm for nonlinear state estimation with model uncertainties</title>
Notice bibliographique
Résumé
In most solutions to state estimation problems like, for example, target tracking, it is generally assumed that the state evolution and measurement models are known a priori. The model parameters include process and measurement matrices or functions as well as the corresponding noise statistics. However, there are situations where the model parameters are not known a priori or are known only partially (i.e., with some uncertainty). Moreover, there are situations where the measurement is biased. In these scenarios, standard estimation algorithms like the Kalman filter and the extended Kalman Filter (EKF), which assume perfect knowledge of the model parameters, are not accurate. In this paper, the problem with uncertain model parameters is considered as a special case of maximum likelihood estimation with incomplete-data, for which a standard solution called the expectation-maximization (EM) algorithm exists. In this paper a new extension to the EM algorithm is proposed to solve the more general problem of joint state estimation and model parameter identification for nonlinear systems with possibly non-Gaussian noise. In the expectation (E) step, it is shown that the best variational distribution over the state variables is the conditional <i>posterior distribution</i> of states given all the available measurements and inputs. Therefore, a particular type of particle filter is used to estimate and update the posterior distribution. In the maximization (M) step the nonlinear measurement process parameters are approximated using a nonlinear regression method for adjusting the parameters of a mixture of Gaussians (MofG). The proposed algorithm is used to solve a nonlinear bearing-only tracking problem similar to the one reported recently with uncertain measurement process. It is shown that the algorithm is capable of accurately tracking the state vector while identifying the unknown measurement dynamics. Simulation results show the advantages of the new technique over standard algorithms like the EKF whose performance degrades rapidly in the presence of uncertain models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».