[论文解读] Minimax state estimates for abstract Neumann problems

Oleksandr Nakonechnyi, Sergiy Zhuk|arXiv (Cornell University)|Oct 20, 2017

Probabilistic and Robust Engineering Design参考文献 10被引用 4

一句话总结

本文为希尔伯特空间中具有不确定输入、边界条件及具有有界但未知相关算子的噪声观测的抽象诺伊曼问题，发展了分析性的极小化极大（最坏情况）状态估计。主要贡献在于：在凸的、可能无界的不确定集下，给出了极小化极大估计的精确解析表达式；在较弱条件下证明了渐近精确性，并建立了与紧算子鲁棒伪逆之间的联系。

ABSTRACT

The paper presents analytic expressions of minimax (worst-case) estimates for solutions of linear abstract Neumann problems in Hilbert space with uncertain (not necessarily bounded!) inputs and boundary conditions given incomplete observations with stochastic noise. The latter is assumed to have uncertain but bounded correlation operator. It is demonstrated that the minimax estimate is asymptotically exact under mild assumptions on observations and bounding sets. A relationship between the proposed estimates and a robust pseudo-inversion of compact operators is revealed. This relationship is demonstrated on an academic numerical example: homogeneous Neumann problem for Poisson equation in two spatial dimensions.

研究动机与目标

• 为具有混合不确定性的抽象线性诺伊曼问题（确定性模型误差（输入和边界条件）与具有未知但有界相关算子的随机测量噪声）建立极小化极大状态估计框架。
• 即使模型输入的不确定集无界，也推导出状态线性泛函的极小化极大估计的精确解析表达式。
• 建立最坏情况估计误差随时间增加而趋于零的条件，确保估计的渐近精确性。
• 揭示所提出的极小化极大估计与紧算子鲁棒伪逆之间的根本联系，特别是在长观测时域的极限情况下。
• 通过涉及泊松方程的数值示例，展示框架的实际相关性，并与信号微分及去噪建立联系。

提出的方法

• 将极小化极大估计问题表述为：在给定的边界集 $G$ 和 $G_1$ 内，对所有可能的不确定输入 $f_0$、$f_1$ 和噪声相关算子 $R_\nu$ 的实现，最小化最坏情况下的均方误差。
• 利用希尔伯特空间中的变分法和对偶性，推导出极小化极大估计 $\widehat{V\varphi}$ 的精确解析表达式，特别是在凸的、可能无界的不确定集下。
• 将理论应用于观测不完整且受噪声污染的情形，其中噪声相关算子未知，将噪声建模为具有有界相关算子（位于给定集合 $G_1$ 内）的零均值随机过程。
• 通过分析估计误差在观测时间 $T \to \infty$ 时的行为，建立极小化极大估计的渐近精确性，假设观测算子和边界集满足较弱条件。
• 通过证明在 $T \to \infty$ 的极限下，估计收敛于最小范数的最小二乘问题 $\|Kx - K\varphi_{\text{true}}\| \to \min_x$ 的解，揭示了极小化极大估计与 Moore-Penrose 伪逆之间的深刻联系。
• 利用谱分解和算子理论分析极小化极大估计器的收敛性，特别关注 Volterra 型算子及噪声信号微分的情境。

实验结果

研究问题

• RQ1 对于具有不确定输入和边界条件的抽象诺伊曼问题解的线性泛函，其极小化极大估计的精确解析表达式是什么？
• RQ2 当观测时间增加时，极小化极大估计器的最坏情况估计误差在何种条件下收敛于零？
• RQ3 极小化极大估计框架与紧算子的鲁棒伪逆之间有何关系，特别是在长观测时域的极限情况下？
• RQ4 极小化极大估计器能否被解释为噪声信号的微分器？如果是，在何种条件下它会收敛于真实导数？
• RQ5 当模型输入的不确定集无界，而噪声相关算子保持有界时，该框架如何处理这种情况？

主要发现

• 当输入和边界条件的不确定集 $G$ 为凸集（可能无界），且噪声相关算子的不确定集 $G_1$ 有界时，本文提供了极小化极大估计 $\widehat{V\varphi}$ 的精确解析表达式。
• 在观测算子和边界集满足较弱假设的条件下，最坏情况估计误差随 $T \to \infty$ 而趋于零，从而确立了极小化极大估计的渐近精确性。
• 当 $T \to \infty$ 时，极小化极大估计收敛于最小范数的最小二乘问题 $\|Kx - K\varphi_{\text{true}}\| \to \min_x$ 的解，从而与鲁棒伪逆建立了直接联系。
• 对于 Volterra 型观测算子 $K$，极小化极大估计器可有效对噪声信号 $y(t)$ 进行微分，近似得到 $K\varphi_{\text{true}}$ 的导数。
• 数值实验表明，对于带有噪声观测的二维泊松方程，极小化极大估计的相对 $L^2$-误差约为 1%。
• 该框架对模型输入和噪声统计的不确定性具有鲁棒性，表现为即使 $f_1$ 和 $f_0$ 仅知位于凸边界集内，估计仍能收敛至真实解。