[论文解读] The Optimal Filtering of Markov Jump Processes in Additive White Noise

Moshe Zakai|ArXiv.org|Apr 19, 2009

Neural Networks and Applications参考文献 6被引用 8

一句话总结

本文推导了在加性白高斯噪声中观测到的连续时间马尔可夫跳跃过程的最优贝叶斯滤波方程。通过引入辅助过程 $\psi_j(t)$，作者推导出 $\psi_j(t)$ 的简化随机微分方程（SDE），再通过归一化转化为条件状态概率 $p_j(t)$，从而得到跳跃扩散系统中状态估计的可处理滤波器。

ABSTRACT

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

研究动机与目标

• 推导受加性白高斯噪声污染的有限状态连续时间马尔可夫跳跃过程的最优滤波器。
• 解决当信号过程在观测路径中为不连续且非马尔可夫时的滤波挑战。
• 通过辅助过程 $\\psi_j(t)$ 系统性地推导滤波方程，简化沃恩汉（Wonham）原始方法的复杂性。
• 通过采样与数值逼近方案的分析，实现滤波器的物理实现。
• 将框架扩展至时变噪声强度 $\beta(t)$，尽管主要处理假设 $\beta$ 为常数。

提出的方法

• 引入辅助过程 $\psi_j(t)$，定义为未归一化的条件概率 $\mathbb{P}(x(t) = a_j \mid y(\cdot))$ 乘以归一化分母函数。
• 利用 $n$ 步划分的离散时间近似路径的逐点极限，推导 $\psi_j(t)$ 的随机微分方程（SDE）。
• 应用鞅收敛定理与控制收敛定理，证明离散时间滤波递推的几乎必然极限。
• 通过 $p_j(t) = \psi_j(t)/\sum_i \psi_i(t)$ 将 $\psi_j(t)$ 转换为归一化的后验概率 $p_j(t)$，从而得到最优滤波器。
• 使用伊tô微积分与吉尔萨诺夫定理，将似然比表示为涉及 $\widetilde{x}(s)$ 与 $dy(s)$ 的随机积分。
• 推导 $\theta_j(t) = \log \psi_j(t)$ 的等价 SDE，得到具有跳跃转移率与观测驱动漂移的非线性 SDE。

实验结果

研究问题

• RQ1 当观测受加性白噪声污染时，如何推导马尔可夫跳跃过程的最优滤波器？
• RQ2 未归一化的后验密度 $\psi_j(t)$ 的结构是什么？它如何简化滤波问题？
• RQ3 能否通过模拟或数字系统实现滤波方程？合适的数值方案是什么？
• RQ4 当噪声强度 $\beta(t)$ 时变时，滤波方程的行为如何？常数 $\beta$ 情况是否为有效近似？
• RQ5 辅助过程 $\psi_j(t)$ 在实现最优滤波器可处理推导中起到什么作用？

主要发现

• 最优滤波器由 $p_j(t) = \psi_j(t)/\sum_i \psi_i(t)$ 给出，其中 $\psi_j(t)$ 满足由观测过程驱动的线性 SDE。
• 未归一化的 $\psi_j(t)$ 满足 SDE $\frac{d\psi_j}{dt} = A\psi_j + \text{对角项} \cdot \frac{x(t)+n(t)}{\beta^2}\psi_j$，其形式比原始的 $p_j(t)$ 方程更简单。
• 对数变换 $\theta_j(t) = \log \psi_j(t)$ 导出伊tô SDE：$\frac{d\theta_j}{dt} = -\nu_j + \frac{a_j^2}{2\beta^2} + \sum_{i \neq j} \nu_{ij} e^{\theta_i - \theta_j} + \frac{a_j}{\beta^2}(x(t) + n(t))$，该方程为马尔可夫过程，适用于模拟。
• 未来状态的预测为 $\mathbb{P}(x(t+h) = a_j \mid \mathcal{F}_t^y) = \sum_i p_i(t) p_{ij}(h)$，与马尔可夫转移动力学一致。
• 滤波器可通过模拟滤波器或数字计算机实现，具体数值方案取决于采样率与噪声带宽的关系。
• 结果可推广至时变 $\beta(t)$，尽管常数 $\beta$ 情况下的推导更简单，且在控制收敛条件下，离散近似几乎必然收敛。