基于变分优化的联合状态估计与噪声辨识

基于摘要分析。本文研究线性与非线性系统在过程噪声和测量噪声协方差未知时的状态估计问题，提出基于 conjugate-computation variational inference 的自适应 Kalman 滤波方法 CVIAKF，将系统状态与噪声参数的联合估计表述为优化问题，以近似潜变量的联合后验概率密度。 核心机制是将变分优化置于期望参数空间，而非摘要所述已有方法采用的自然参数空间；作者认为这能带来更快、更简单的求解。对于非线性动力学模型，CVIAKF 将优化目标分为共轭与非共轭部分，分别采用共轭计算和随机镜像下降，并通过重参数化技巧降低非共轭部分随机梯度的方差。具体分布假设、目标函数、更新公式与收敛条件尚未验证。 作者报告在机动目标跟踪的合成及真实数据上验证了方法有效性。摘要未提供数据集名称、样本规模、划分、对照方法、误差指标或运行时间，因此尚不能量化其精度与效率优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法可能适用于 EEG 潜在状态估计中噪声协方差未知的问题，但原论文研究对象是机动目标跟踪，并非 EEG 或 BCI。迁移假设依赖于能够建立合理的 EEG 状态转移与观测模型；可复用的是状态与噪声参数联合推断的优化框架，需改造的是信号生成模型及噪声假设。低信噪比、通道相关性、跨被试差异和短数据段可能使状态与噪声难以辨识。可先在已知潜在状态和噪声协方差的合成 EEG 观测上，与固定协方差 Kalman 滤波及匹配假设的自适应滤波基线比较状态误差、协方差估计误差与计算时间，检验联合估计是否确有收益。已有 EEG 相关工作尚未检索确认。