[论文解读] LMMSE Estimation and Interpolation of Continuous-Time Signals from Discrete-Time Samples Using Factor Graphs
本文提出了一种基于因子图的方法，用于从离散时间噪声样本中对连续时间信号进行线性最小均方误差（LMMSE）估计，将卡尔曼滤波扩展至具有高斯白噪声输入的连续时间系统。通过在因子图上应用高斯消息传递，该方法能够在不假设带限条件的情况下，实现对输入信号、状态和输出的高分辨率估计，为卡尔曼滤波文献中尚未解决的连续时间输入信号估计问题提供了新颖解决方案。
The factor graph approach to discrete-time linear Gaussian state space models is well developed. The paper extends this approach to continuous-time linear systems/filters that are driven by white Gaussian noise. By Gaussian message passing, we then obtain MAP/MMSE/LMMSE estimates of the input signal, or of the state, or of the output signal from noisy observations of the output signal. These estimates may be obtained with arbitrary temporal resolution. The proposed input signal estimation does not seem to have appeared in the prior Kalman filtering literature.
研究动机与目标
- 开发一种系统化方法，用于在离散时间噪声观测下，对线性时不变系统中的连续时间信号进行LMMSE估计。
- 将传统上用于离散时间卡尔曼滤波的因子图框架扩展至由高斯白噪声驱动的连续时间系统。
- 从采样且受噪声污染的观测中，实现对输入信号U(t)、状态和输出信号Y(t)的高分辨率估计。
- 为采样抖动校正和不稳定滤波器的模数转换等应用提供理论基础。
- 填补卡尔曼滤波文献中关于连续时间输入信号LMMSE估计的空白。
提出的方法
- 系统建模为一个由高斯白噪声输入信号U(t)驱动的连续时间线性时不变滤波器，输出Y(t)在不规则或规则时间间隔采样，并受加性高斯白噪声Zk污染。
- 因子图表示编码了连续时间动态特性和离散时间观测，支持通过高斯消息传递进行推理。
- 该方法使用矩阵指数和状态转移矩阵（e^{At}）来建模系统在时间区间内的演化。
- 通过系统矩阵A的谱分解，推导出连续时间李雅普诺夫方程的解，用于协方差传播。
- 通过带正则化项∫u(t)²dt的Tikhonov正则化形式，计算U(t)的LMMSE估计，从而建立与Tikhonov正则化的联系。
- 通过时间区间的离散化和迭代消息传递，可在估计中实现任意时间分辨率。
实验结果
研究问题
- RQ1如何在因子图框架下，为具有离散时间噪声观测的系统，形式化连续时间输入信号的LMMSE估计？
- RQ2当输入为高斯白噪声且系统为线性时不变时，U(t)的LMMSE估计的数学结构是什么？
- RQ3所提出的方法如何将传统卡尔曼滤波扩展至处理标准卡尔曼-布齐滤波中未涵盖的连续时间输入信号估计？
- RQ4因子图方法能否用于从采样且受噪声污染的输出数据中推导出U(t)、Y(t)和系统状态的高分辨率估计？
- RQ5输入信号功率σU²与离散时间观测信噪比（SNR）之间的关系是什么？该关系如何推导？
主要发现
- 即使U(t)不满足带限条件，通过在因子图上进行高斯消息传递，连续时间输入信号U(t)的LMMSE估计仍具有良好的定义且可计算。
- 该方法提供了估计误差协方差的闭式表达式，其来源于矩阵积分∫₀ᵗ e^{Aτ}bbᵀe^{Aᵀτ}dτ。
- 状态协方差矩阵的解涉及系统矩阵A的谱分解，表达式以特征值和特征向量表示。
- 在稳态条件下，离散时间观测的信噪比（SNR）与时间索引k无关，E[Yₖ²]通过系统的传递函数和输入功率σU²表示。
- 通过将连续时间系统分解为N个离散步骤，该方法可实现高分辨率信号估计，且当N → ∞时收敛至精确结果。
- 该方法通过采样抖动校正和不稳定滤波器的模数转换等应用得到验证，展示了其在理论拓展之外的实际应用价值。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。