用于系统辨识序贯蒙特卡洛方法研究.pdfVIP

第17届IFAC系统辨识研讨会预印本国际会议2015年10月

19‑21日，

用于系统辨识的序贯蒙特卡洛方法?

ThomasB.Schön∗FredrikLindsten∗∗JohanDahlin∗∗∗Johan

Wägberg∗ChristianA.Naesseth∗∗∗AndreasSvensson∗LiangDai∗

∗乌普大学系，瑞典乌普，（电子邮件：{thomas.schon,

johan.wagberg,andreas.svensson,liang.dai}@it.uu.se}）.

∗∗大学工程系，英国，（电子邮件：fredrik.lindsten@eng.cam.ac.uk）.

∗∗∗大学自动控制系，瑞典，（电子邮件：{johan.dahlin,

christian.a.naesseth}@liu.se）.

：在识别非线性和可能非状态空间模型（SSMs）时，一个关键是估计系统状态的

不可处理性。序贯蒙特卡洛（SMC）方法，如粒子滤波器（引入已有二十多年），为SSMs中出

现的非线性状态估计问题了数值解。当与额外的辨识技术结合时，这些算法为非线性系统辨

识问题了坚实的解决方案。我们描述了创建此类组合的两种通用策略，并讨论了为什么

SMC是实施这些策略的自然工具。

:非线性系统辨识，非线性状态空间模型，粒子滤波器，粒子平滑器，序贯蒙特卡洛方法，MCMC。

1.引言频率论问题的表述中，预测误差方法（Ljung,1

999）和直接最大化似然函数属于这一策略。在贝叶

本文关注的是离散时间下非线性状态空间模型（SSMs）

斯表述中，可以使用MetropolisHastings算法

的系统辨识。我们考虑的一般模型由以下给出：

（Metropolis等，1953；Hastings,1970）来近似

x|x∼f(x|x,u),(1a)

t+1tθt+1tt参数在数据条件下的后验分布。

y|x∼g(y|x,u),(1b)

ttθttt(2)数据增强方法将状态视为辅助变量，与参数一起进行

(θ∼π(θ)),(1c)估计。Dempster等人(1977)期望最大化(EM)

其中状态、已知输入和观测测量分别表示为xt∈X⊆Rnx、

算法以这种方式解决了最大似然估计问题，而Geman和

ut∈U⊆Rnu和yt∈Y⊆Rny。动态和测量分别由

Geman(1984)吉布斯采样器通过这种策略解决了贝

概率密度函数（PDFs）fθ(·)和gθ(·)建模，并由未知向问题。

量θ∈Θ⊆Rnθ参数化。初始状态x1按照某个分布