首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

学习在部分已知动态下进行分布式估计:协方差无关的神经卡尔曼一致性滤波器

2026-06-30 1 阅读 约1分钟阅读 George Stamatelis, Kyriakos Stylianopoulos, George C. Alexandropoulos
分享:
字号:
arXiv:2606.28441v1 公告类型:新 摘要:在线潜在状态估计构成了人工智能领域的一项基本挑战,成为各种应用的基础工具,包括顺序决策、异常和变化点检测。在本文中,提出了一种新颖的在线分布式传感框架,其中代理协作并交换信息以执行潜在状态估计。 The proposed estimator combines available partial domain knowledge with the representation capabilities of deep neural networks.特别是,设计的传感框架结合了先前的估计、优化的共识权重和类似卡尔曼的递归更新来执行去中心化推理,而不依赖于噪声统计知识。对线性、混沌(洛伦兹)和实际无线跟踪环境的大量实验表明,所提出的协方差无关神经卡尔曼一致性滤波器(CA-NKCF)优于传统的分布式卡尔曼和粒子滤波器以及纯模型无关的深度神经网络,即使在错误指定底层运动和观测模型的情况下也表现出鲁棒性。它还证明了 CA-NKCF 的性能优势在不同的噪声水平、随机通信拓扑、潜在状态维度以及无线系统中散射物体引起的观测杂波密度下保持稳定。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱