Neue Algorithmen für Zustandsabschätzung in nichtlinearen Modellen

Wissenschaftler haben einen neuen Ansatz zur Zustandsabschätzung in nichtlinearen, nicht-gauss'schen Zustandsraummodellen vorgestellt. Der Kern des Verfahrens ist eine variationale Lagrange-Formulierung, die die Bayessche Inferenz als Folge von entropischen Vertrauensbereich-Updates unter dynamischen Nebenbedingungen interpretiert.

Durch diese Perspektive entstehen eine Reihe von Forward–Backward-Algorithmen, deren Struktur von der gewählten Faktorisierung des variationalen Posterior abhängt. Im Fokus stehen dabei Gauss–Markov-Approximationen, die rekursive Verfahren mit günstiger Rechenkomplexität ermöglichen.

Für allgemeinere Modelle schließen die Autoren die Rekursionen mithilfe von generalisierter statistischer linearer Regression und Fourier–Hermite-Momentmatching. Damit wird ein flexibler, aber dennoch effizienter Rahmen geschaffen, der die Analyse komplexer dynamischer Systeme erheblich erleichtert.