通过非线性 Kalman 滤波器的自动微分进行非线性状态空间模型参数估计

基于摘要分析。本文研究非线性状态空间模型的参数估计，核心贡献是对非线性 Kalman 滤波递推进行自动微分，计算参数估计目标函数的梯度与 Hessian，进而求取最大后验（MAP）估计并构造参数后验的 Laplace 近似。 技术机制：作者使用 extended Kalman filter 和 cubature Kalman filter 近似负对数似然，并将其用于参数后验能量函数的计算。自动微分沿滤波递推传播导数，作者称该方法无需实现复杂的导数递推或手工计算 Jacobian。摘要未交代先验项如何并入目标函数、优化器选择及数值稳定性处理，这些细节尚未验证。 验证范围：作者报告在摆模型和 coordinated turn model 的参数估计问题上演示了方法。摘要未提供误差、运行时间、后验近似质量或对照结果，因此目前只能确认演示对象，不能判断相对其他参数估计方法的精度与效率优势。实验协议、消融及统计信息尚未验证；代码与复现条件也尚未验证。 平台推测（待验证）：若 EEG 任务已有明确的潜在状态动力学与观测模型，可假设这一机制能用于估计动力学、观测或噪声参数，而非直接充当通用 EEG 解码器。可复用模块是滤波递推的自动微分及 MAP/Laplace 推断；需要改造的是状态与观测方程、先验及通道噪声模型，其适用性依赖模型可微性和参数可辨识性。EEG 的低信噪比、跨被试差异、通道相关性及小数据可能使参数难以辨识，并削弱局部高斯后验近似。一个可检验的小实验是在已知参数的 EEG 风格模拟状态空间模型上改变信噪比与数据量，核对自动微分梯度与数值差分的一致性，并比较参数恢复误差及后验区间覆盖率；这属于迁移假设，不是论文已验证的结果。已有 EEG 相关工作尚未检索确认。