[논문 리뷰] The Optimal Filtering of Markov Jump Processes in Additive White Noise

Moshe Zakai|ArXiv.org|2009. 04. 19.

Neural Networks and Applications참고 문헌 6인용 수 8

한 줄 요약

이 논문은 추가 백색 가우시안 노이즈에서 관측되는 연속시간 마르코프 점프 프로세스에 대한 최적 베이지안 필터링 방정식을 유도한다. 보조 프로세스 $\psi_j(t)$를 도입함으로써, $\psi_j(t)$에 대한 간단한 확률미분방정식을 유도하고, 이를 정규화를 통해 조건부 상태 확률 $p_j(t)$로 변환함으로써 점프-확산 시스템에서의 상태 추정을 위한 해석 가능한 필터를 도출한다.

ABSTRACT

This note is based on Wonham \cite{Wonham}. The differences between this note and [Wonham] are discussed in Section VIII.

연구 동기 및 목표

• 유한 상태 연속시간 마르코프 점프 프로세스에 대해 추가 백색 가우시안 노이즈에 의해 오염된 최적 필터를 유도하는 것.
• 신호 프로세스가 관측 경로에서 비연속적이고 비마르코프적일 경우 필터링의 과제를 다루는 것.
• 워너햄의 원래 접근법보다 단순화된 방법으로 보조 프로세스 $\\psi_j(t)$를 통한 필터링 방정식의 체계적 유도.
• 샘플링 및 수치 근사 방법 분석을 통한 필터의 물리적 실현 가능성을 제공하는 것.
• 주로 일정한 $\beta$를 가정하지만, 시간에 따라 변화하는 노이즈 강도 $\beta(t)$로 프레임워크를 확장하는 것.

제안 방법

• 관측된 경로에 대한 조건부 확률 $\mathbb{P}(x(t) = a_j \mid y(\cdot))$의 비정규화된 형태인 보조 프로세스 $\psi_j(t)$를 정의한다.
• 분할 수가 $n$인 이산시간 근사의 경로 기반 극한을 사용하여 $\psi_j(t)$에 대한 확률미분방정식(SDE)을 유도한다.
• 마르팅글의 수렴 정리와 지배 수렴 정리를 적용하여 이산시간 필터링 재귀의 거의 확실한 극한을 정당화한다.
• $\psi_j(t)$를 $p_j(t) = \psi_j(t)/\sum_i \psi_i(t)$로 정규화하여 최적 필터를 도출한다.
• 이토 미적분과 지르산وف 정리를 사용하여 우도 비율을 $\widetilde{x}(s)$와 $dy(s)$를 포함하는 스토크라스틱 적분으로 표현한다.
• $\theta_j(t) = \log \psi_j(t)$에 대한 등가 SDE를 유도하여 점프 전이율과 관측 기반 드리프트를 갖는 비선형 SDE를 도출한다.

실험 결과

연구 질문

• RQ1 관측이 추가 백색 가우시안 노이즈에 의해 오염된 경우, 마르코프 점프 프로세스에 대한 최적 필터는 어떻게 유도할 수 있는가?
• RQ2 비정규화된 후행 밀도 $\psi_j(t)$의 구조는 무엇이며, 이는 필터링 문제를 어떻게 단순화하는가?
• RQ3 아날로그 또는 디지털 시스템을 사용하여 필터링 방정식을 물리적으로 실현할 수 있는가? 적절한 수치 근사 방법은 무엇인가?
• RQ4 시간에 따라 변화하는 노이즈 강도 $\beta(t)$ 하에서 필터링 방정식은 어떻게 행동하는가? 일정한 $\beta$의 경우가 타당한 근사인가?
• RQ5 보조 프로세스 $\psi_j(t)$는 최적 필터의 해석 가능한 유도를 가능하게 하는 데 어떤 역할을 하는가?

주요 결과

• 최적 필터는 $p_j(t) = \psi_j(t)/\sum_i \psi_i(t)$로 주어지며, 이때 $\psi_j(t)$는 관측 프로세스에 의해 구동되는 선형 SDE를 만족한다.
• 비정규화된 $\psi_j(t)$는 $\frac{d\psi_j}{dt} = A\psi_j + \text{대각항} \cdot \frac{x(t)+n(t)}{\beta^2}\psi_j$로 주어지는 SDE를 만족하며, 원래의 $p_j(t)$ 방정식보다 단순하다.
• $\theta_j(t) = \log \psi_j(t)$의 로그 변환은 이토 SDE를 유도한다: $\frac{d\theta_j}{dt} = -\nu_j + \frac{a_j^2}{2\beta^2} + \sum_{i \neq j} \nu_{ij} e^{\theta_i - \theta_j} + \frac{a_j}{\beta^2}(x(t) + n(t))$로, 마르코프성과 시뮬레이션에 적합하다.
• 미래 상태의 예측은 $\mathbb{P}(x(t+h) = a_j \mid \mathcal{F}_t^y) = \sum_i p_i(t) p_{ij}(h)$로 주어지며, 마르코프 전이 역학과 일관된다.
• 필터는 아날로그 필터 또는 디지털 컴퓨터를 통해 물리적으로 실현 가능하며, 샘플링 주파수와 노이즈 대역폭 간의 관계에 따라 다른 수치 근사 방법이 필요하다.
• 결과는 시간에 따라 변화하는 $\beta(t)$로 확장 가능하나, 일정한 $\beta$의 경우가 더 단순하며, 이산 근사는 지배 수렴 조건 하에서 거의 확실하게 수렴한다.