用卡尔曼滤波引导的循环神经网络，可无先验地处理噪声系统状态估计。
Recursive KalmanNet: Analyse des capacités de généralisation d'un réseau de neurones récurrent guidé par un filtre de Kalman
- 用卡尔曼滤波指导循环神经网络，自动学习状态与误差协方差。
- 在测试动态与训练不同时仍保持良好估计性能。
- 适合需要鲁棒状态估计的动态系统建模场景。
递归卡尔曼网（Recursive KalmanNet）由作者近期提出，是一种由卡尔曼滤波引导的循环神经网络，能够在不预先知道噪声特性的情况下，从含噪测量中估计随机动态系统的状态变量和误差协方差。本文研究其在分布外（out-of-distribution）场景下的泛化能力，即测试阶段的时间动态与训练阶段不一致的情况。实验表明，该模型在动态变化条件下仍能保持良好的状态估计性能，展现出较强的适应性与鲁棒性，尤其适用于实际应用中噪声特性未知且系统动态可能漂移的场景。
原文摘要 · Abstract (English)
The Recursive KalmanNet, recently introduced by the authors, is a recurrent neural network guided by a Kalman filter, capable of estimating the state variables and error covariance of stochastic dynamic systems from noisy measurements, without prior knowledge of the noise characteristics. This paper explores its generalization capabilities in out-of-distribution scenarios, where the temporal dynamics of the test measurements differ from those encountered during training. Le Recursive KalmanNet, récemment introduit par les auteurs, est un réseau de neurones récurrent guidé par un filtre de Kalman, capable d'estimer les variables d'état et la covariance des erreurs des systèmes dynamiques stochastiques à partir de mesures bruitées, sans connaissance préalable des caractéristiques des bruits. Cet article explore ses capacités de généralisation dans des scénarios hors distribution, où les dynamiques temporelles des mesures de test diffèrent de celles rencontrées à l'entraînement.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。