状态估计State estimation涉及将物理系统的噪声观测与数学模型相协调，该数学模型被认为可以预测其行为，以推断不可测量的状态，并消除可测量状态的噪声。传统的状态估计技术依赖于对数学模型中不确定性形式的严格假设，通常表现为加性随机扰动或本质上是参数化的。
近日，加拿大 多伦多大学（University of Toronto）Kevin Course & Prasanth B. Nair，在Nature上发文，提出了一种再参数化reparametrization 技巧，用于马尔可夫高斯过程的随机变分推断，使状态估计的近似贝叶斯方法成为可能，其中控制系统如何随时间演化的方程是部分或完全未知的。与经典的状态估计技术相比，该项方法，从近似贝叶斯的角度，同时学习数学模型和状态估计中的缺失项。这一发展使得状态估计方法，应用于迄今为止被证明无法解决的问题。该项状态估计，对随机变分推断的改进，还适用于机器学习中更广泛的一类问题。![]()
State estimation of a physical system with unknown governing equations.![]()
图1:主要观点。
![]()
图2:每个系统，20个独立试验的基准测试总结。
![]()
图3:基于流场的降阶模型reduced-order models，ROM问题。
(小注：状态估计（State Estimation, SE）是分析物理机理和实现流体流动实时控制的关键。一种常见的方法是将流场传感器测量值与由降阶模型（Reduced Order Models,ROMs）控制的降阶状态联系起来。 胡佳伟）Course, K., Nair, P.B. State estimation of a physical system with unknown governing equations. Nature 622, 261–267 (2023). https://doi.org/10.1038/s41586-023-06574-8https://www.nature.com/articles/s41586-023-06574-8https://www.nature.com/articles/s41586-023-06574-8.pdf声明：仅代表译者个人观点，小编水平有限，如有不当之处，请在下方留言指正！