用于线性结构系统输入与状态联合估计的 Gaussian process 潜在力模型

基于摘要分析。本文研究如何利用测量响应和已知结构模型，联合估计线性结构系统的未知输入外力与内部状态，提出 Gaussian process latent force models（GPLFMs）方法，将物理微分方程与非参数 Gaussian process 模型结合。主要研究对象是结构动力学系统，并非 EEG 或 BCI。 核心机制是为未知外力指定 Gaussian process 协方差函数，再将其与结构的机械动力学方程合并，构建包含潜在外力分量的增广随机状态空间模型，使用 Kalman filter 联合推断输入与状态。协方差函数的超参数通过观测数据上的最大似然优化估计，以减少人工试错调参。摘要未提供具体协方差函数、状态空间构造细节或优化设置。 作者报告，该增广模型推广了输入增广状态空间模型，并给出可观测性证明；相较传统增广形式，其数值稳定性更稳健。性能评估采用 10 自由度剪切楼和 76 层 ASCE benchmark 办公塔的数值仿真，作者报告其输入与状态估计优于传统 Kalman filter 方法。摘要未给出误差指标、具体基线、传感器配置或噪声条件，因此无法量化优势；可观测性证明的适用条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，在具备可信线性动力学与观测模型的 EEG 场景中，以 Gaussian process 表示未观测驱动，可能有助于区分外部驱动与潜在状态。可复用模块包括潜在驱动建模、增广状态估计和超参数学习；需改造结构动力学方程与观测映射。EEG 的低信噪比、跨被试动力学差异、通道不足及小数据条件可能使输入与状态难以区分，结构系统中的可观测性结论不能直接迁移。一个小规模可证伪实验是，在具有已知隐状态和驱动的线性 EEG 仿真中，固定观测配置与噪声条件，对比 GPLFM 和传统输入增广 Kalman filter 的恢复误差及数值稳定性。已有 EEG 相关工作尚未检索确认。