用于动态系统推断的广义双曲状态空间模型

基于摘要分析。本文研究连续时间非高斯滤波问题，以广义双曲（generalised hyperbolic，GH）Lévy 过程驱动线性向量随机微分方程（SDE），提出相应的连续时间模拟方法及基于序贯 Markov chain Monte Carlo（MCMC）变体的推断方法。主要研究对象是一般动态系统，并以合成数据和真实金融时间序列展示方法，而非 EEG 或 BCI。 机制上，GH 过程族用于描述非高斯、重尾随机变化，并包含 normal inverse-Gaussian、variance-gamma 和 Student-t 过程等特例。论文还在该框架下研究一种 Langevin dynamics 表述。摘要未说明 GH 过程的具体模拟步骤、序贯 MCMC 的更新机制，以及状态和参数如何估计，这些实现细节尚未验证。 作者报告在合成数据集和真实金融序列上进行了应用展示，但摘要未提供数据规模、观测模型、对照基线或定量指标，因而无法据此判断其相对高斯状态空间模型的精度与计算收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 潜在动态中的突变或重尾扰动确实偏离高斯假设，该框架可能提供替代性状态推断路径。可复用部分是连续时间潜在状态建模与序贯推断框架；需改造 EEG 观测映射，并核对模型对采样时刻、噪声结构和参数估计数据量的要求。风险是低信噪比 EEG 中的伪迹可能被吸收到潜在状态，被试与通道差异可能破坏统一参数假设，小数据也可能使重尾参数难以辨识。一个可检验的小实验是在固定观测映射和相同训练、测试划分下，对含可控重尾扰动的合成 EEG 潜在动态比较 GH 与高斯驱动模型的状态恢复误差及计算开销，再决定是否进入真实 EEG 验证。已有 EEG 相关工作尚未检索确认。