基于范数和正则化的状态平滑

基于摘要分析。本文研究脉冲扰动、负载扰动等突变因素下的状态估计问题，提出将线性状态空间模型的状态平滑表述为带 sum-of-norms（范数和）正则化的最小二乘问题，以处理标准高斯过程噪声设定难以刻画的状态跳变。 核心机制是使用作为 ℓ1 正则化推广的 sum-of-norms 正则项，在拟合与跳变数量之间进行权衡。不同于将状态跳变交由变化检测技术处理，本文将其纳入状态平滑的优化表述。作者报告，该表述只有一个调节参数，即正则化常数。摘要未给出正则项作用的具体变量、范数选择、求解算法及对照结果，因此尚不能判断其计算代价或相对于变化检测方法的性能优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可用于探索 EEG 连续观测中突发扰动与潜在状态变化的分离，但前提是能建立适当的线性状态空间关系，且目标跳变在时间上具有足够稀疏性。可复用的是正则化状态平滑框架，需改造的是 EEG 观测模型、通道噪声设定及参数选择流程。低信噪比、多通道相关伪迹或真实神经活动的快速变化，都可能使模型混淆扰动与有效信号；小数据条件下，正则化参数也可能难以稳定选择。一个可证伪的小实验是在已知潜在状态的模拟多通道 EEG 观测中加入稀疏脉冲扰动，比较该方法与标准高斯噪声状态平滑的状态重建误差及跳变定位表现，并在不同噪声水平与扰动密度下检验其收益是否保持。已有 EEG 相关工作尚未检索确认。