基于粒子随机近似 EM 的高斯过程状态空间模型辨识

基于摘要分析。本文研究非线性动力系统的 Gaussian Process State-Space Models（GP-SSMs）参数辨识，提出结合粒子 Markov chain Monte Carlo（MCMC）与随机近似 EM 的最大似然辨识方法，同时保留系统动力学的完整非参数描述。 GP-SSMs 以贝叶斯非参数方式表示系统动力学，并通过额外参数与超参数控制该表示的性质。其贝叶斯框架支持对动力学不确定性进行系统性推理。本文的核心是辨识这些参数，而非将未知动力学替换为固定的参数化函数。摘要说明方法采用粒子 MCMC 的相关进展支撑随机近似 EM，但未提供具体采样步骤、优化目标的展开形式或计算复杂度；这些细节尚未验证。 摘要未给出实验数据、序列规模、对照基线或定量指标，因此目前无法判断辨识精度、收敛稳定性及效率增益。实验协议、消融及统计信息尚未验证；复现还需核对状态与观测模型、核函数、初始化、粒子数及收敛判据。 平台推测（待验证）：该方法可能用于 EEG 隐状态与非线性时序动力学建模，对应的瓶颈是观测噪声下的隐状态推断及动力学不确定性表征。此假设依赖序列具有可建模的状态演化结构及合适的观测模型。可考虑复用 GP 动力学表示与粒子推断框架，但需要适配 EEG 的多通道观测、噪声和非平稳性；低信噪比、短序列及跨被试差异可能造成状态不可辨识、参数估计不稳定或计算负担过高。一个小规模可证伪实验是在固定被试内训练与留出时段划分下，与线性状态空间模型比较预测误差、不确定性校准和运行成本。该实验仅检验 EEG 时序建模假设，不代表已证实 BCI 解码收益；已有 EEG 相关工作尚未检索确认。