[论文解读] A Generalized Unscented Transformation for Probability Distributions

Donald Ebeigbe, Tyrus Berry+5 more|arXiv (Cornell University)|Apr 5, 2021

Image and Signal Denoising Methods被引用 12

一句话总结

本文提出了广义无迹变换（GenUT），一种使用 2n+1 个 sigma 点的方法，可准确捕捉非高斯概率分布中偏度和峰度的对角分量。通过解析地施加约束，GenUT 实现了至少二阶精度，同时将无迹变换的应用范围扩展至非高斯假设，尤其在 SARS-CoV-2 传染病模型等非线性系统中显著提升了状态估计性能。

ABSTRACT

The unscented transform uses a weighted set of samples called sigma points to propagate the means and covariances of nonlinear transformations of random variables. However, unscented transforms developed using either the Gaussian assumption or a minimum set of sigma points typically fall short when the random variable is not Gaussian distributed and the nonlinearities are substantial. In this paper, we develop the generalized unscented transform (GenUT), which uses 2n+1 sigma points to accurately capture up to the diagonal components of the skewness and kurtosis tensors of most probability distributions. Constraints can be analytically enforced on the sigma points while guaranteeing at least second-order accuracy. The GenUT uses the same number of sigma points as the original unscented transform while also being applicable to non-Gaussian distributions, including the assimilation of observations in the modeling of infectious diseases such as coronavirus (SARS-CoV-2) causing COVID-19.

研究动机与目标

• 解决传统无迹变换因假设分布为高斯分布而带来的局限性，尤其在高非线性或非高斯性条件下失效的问题。
• 开发一种方法，以准确捕捉任意概率分布的高阶矩，特别是偏度与峰度张量的对角分量。
• 在将无迹变换扩展至非高斯场景的同时保持二阶精度，包括在传染病建模等应用中的实现。
• 在标准扩展卡尔曼滤波器（EKF）与 UKF 因分布假设不匹配而性能退化时，实现非线性系统中的鲁棒状态估计。

提出的方法

• GenUT 使用 2n+1 个 sigma 点，计算成本与原始 UKF 相当，但将矩捕捉能力扩展至二阶以上的高阶矩。
• 通过构造 sigma 点，使其在均值、协方差以及偏度与峰度张量的对角分量上满足解析约束条件。
• 利用非线性变换的泰勒展开推导传播后均值与协方差的表达式，引入三阶项。
• 通过求解由变换的雅可比矩阵与海塞矩阵导出的方程组，强制实现矩匹配条件。
• sigma 点的构造在保持无迹变换结构的同时，通过显式匹配偏度与峰度实现更高阶精度。
• 该方法通过理论分析验证，并应用于非线性变换与传染病状态估计，结果表明其在精度上优于标准 UKF。

实验结果

研究问题

• RQ1 能否开发一种广义无迹变换，以捕捉非高斯分布中的高阶矩（如偏度与峰度）？
• RQ2 如何构造 sigma 点，以在保持二阶精度的同时匹配偏度与峰度张量的对角分量？
• RQ3 与标准 UKF 相比，GenUT 在具有非高斯噪声的非线性系统中能将状态估计精度提升多少？
• RQ4 GenUT 是否能有效应用于现实世界问题，如 SARS-CoV-2 等传染病传播的建模？
• RQ5 当将无迹变换扩展至非高斯分布时，计算成本与估计精度之间的权衡如何？

主要发现

• GenUT 能够成功捕捉多种概率分布的偏度与峰度张量对角分量，突破了高斯假设的限制。
• 通过使用 2n+1 个 sigma 点，该方法在保持与原始 UKF 相同计算复杂度的同时，在非线性变换中实现了更高的精度。
• 理论分析证实，GenUT 至少具有二阶精度，且在高非线性与非高斯噪声系统中表现出更优性能。
• 在涉及泊松分布计数数据（如 SARS-CoV-2 传播建模）的应用中，该方法优于标准 UKF，因高斯近似在低发生率下失效。
• GenUT 能够在非高斯数据生成过程下更准确地同化真实观测数据，尤其在传染病建模中表现更优。
• 推导表明，GenUT 的协方差近似包含了来自三阶导数的高阶项，因此在不确定性传播方面比标准 UKF 更精确。