JMFNet: Deep‑Learning‑Framework verbessert Zustandsfilterung in Jump‑Markov‑Systemen

Ein neues Modell namens Jump Markov Filtering Network (JMFNet) wurde vorgestellt, das die Echtzeit‑Zustands­schätzung in Jump‑Markov‑Systemen revolutioniert. Das System arbeitet ohne Kenntnis der Rauschstatistiken und der Modus‑Übergangsdynamik und liefert dennoch präzise Ergebnisse.

JMFNet kombiniert zwei rekurrente neuronale Netze (RNNs). Das erste RNN prognostiziert den Moduswechsel, während das zweite RNN die Filterung übernimmt und dabei auf einer modus‑augmentierten Version der KalmanNet‑Architektur basiert. Durch diese hybride Struktur kann das Netzwerk sowohl die Modusvorhersage als auch die Zustands­schätzung gleichzeitig optimieren.

Die beiden RNNs werden mithilfe einer alternierenden Least‑Squares‑Strategie gemeinsam trainiert. Diese Methode ermöglicht eine gegenseitige Anpassung, ohne dass die latenten Modi explizit gelabelt werden müssen. Dadurch bleibt das Training vollständig unüberwacht und dennoch hoch effektiv.

In umfangreichen Simulationen – von linearen und nichtlinearen Systemen über Zielverfolgung bis hin zu realen Datensätzen – zeigte JMFNet eine deutlich bessere Leistung als klassische Filter wie Interacting Multiple Models und Partikelfilter. Besonders in nicht‑stationären und hochrauschigen Szenarien übertraf es sogar modellfreie Deep‑Learning‑Baselines und erzielte einen spürbaren Vorteil gegenüber KalmanNet, der bei komplexen Systemen oder langen Trajektorien noch stärker wird.

Die Ergebnisse sind konsistent und zuverlässig. JMFNet weist eine geringe Empfindlichkeit gegenüber Anfangsbedingungen, Hyperparametern und sogar fehlerhaften Modellannahmen auf, was es zu einer robusten Lösung für anspruchsvolle Zustands­schätzungsaufgaben macht.