亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

RTSNet: Learning to Smooth in Partially Known State-Space Models

平滑的 可解释性 计算机科学 算法 推论 非线性系统 高斯分布 人工神经网络 近似推理 高斯模糊 人工智能 状态空间 高斯过程 数学优化 数学 图像处理 图像(数学) 图像复原 统计 物理 量子力学 计算机视觉
作者
Guy Revach,Xiaoyong Ni,Nir Shlezinger,Ruud J. G. van Sloun,Yonina C. Eldar
出处
期刊:IEEE Transactions on Signal Processing [Institute of Electrical and Electronics Engineers]
卷期号:71: 4441-4456 被引量:4
标识
DOI:10.1109/tsp.2023.3329964
摘要

The smoothing task is core to many signal-processing applications. A widely popular smoother is the Rauch-Tung-Striebel (RTS) algorithm, which achieves minimal mean-squared error recovery with low complexity for linear Gaussian state-space (SS) models, yet is limited in systems that are only partially known, as well as nonlinear and non-Gaussian. In this work, we propose RTSNet, a highly efficient model-based and data-driven smoothing algorithm suitable for partially known SS models. RTSNet integrates dedicated trainable models into the flow of the classical RTS smoother, while iteratively refining its sequence estimate via deep unfolding methodology. As a result, RTSNet learns from data to reliably smooth when operating under model mismatch and nonlinearities while retaining the efficiency and interpretability of the traditional RTS smoothing algorithm. Our empirical study demonstrates that RTSNet overcomes nonlinearities and model mismatch, outperforming classic smoothers operating with both mismatched and accurate domain knowledge. Moreover, while RTSNet is based on compact neural networks, which leads to faster training and inference times, it demonstrates improved performance over previously proposed deep smoothers in nonlinear settings.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Ccccn完成签到,获得积分10
1秒前
热心剑成完成签到,获得积分10
7秒前
16秒前
michael_suo发布了新的文献求助20
20秒前
酒酿汤圆完成签到,获得积分10
21秒前
迷茫的一代完成签到,获得积分0
26秒前
38秒前
南宫愚志发布了新的文献求助10
41秒前
自律完成签到,获得积分10
45秒前
体贴怡完成签到,获得积分10
47秒前
单纯寄云完成签到,获得积分10
1分钟前
michael_suo完成签到,获得积分10
1分钟前
1分钟前
1分钟前
南宫愚志完成签到,获得积分10
1分钟前
1分钟前
CipherSage的应助被傻傻的芷巧采纳,获得10
1分钟前
自由山槐发布了新的文献求助20
1分钟前
跳跃的绿蓉完成签到,获得积分10
1分钟前
1分钟前
稳重若男完成签到,获得积分10
2分钟前
微笑的天抒完成签到,获得积分0
2分钟前
我是老大的应助被Ruan采纳,获得10
2分钟前
2分钟前
迷路的皮皮虾完成签到,获得积分10
2分钟前
Ruan发布了新的文献求助10
2分钟前
兴奋的惮完成签到,获得积分10
2分钟前
热爱科研的小海豹完成签到 ,获得积分10
2分钟前
欢喜的铭完成签到,获得积分10
2分钟前
3分钟前
高高的城发布了新的文献求助10
3分钟前
Maestro_S的应助被科研通管家采纳,获得10
3分钟前
彭于晏的应助被高高的城采纳,获得10
3分钟前
清爽的天川完成签到,获得积分10
3分钟前
3分钟前
3分钟前
呆萌雨完成签到,获得积分10
3分钟前
大胆蛟凤完成签到,获得积分10
4分钟前
迷人白桃完成签到,获得积分10
4分钟前
4分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173088
求助须知:如何正确求助?哪些是违规求助? 9565519
关于积分的说明 21780437
捐赠科研通 7767172
什么是DOI,文献DOI怎么找? 3431536
关于科研通互助平台的介绍 2555678
邀请新用户注册赠送积分活动 2476675