神经算子滤波器NOF跳过Yau–Yau滤波的离线偏微分方程求解,二维算例运行时间比粒子滤波少约77.9%
核心概要
Yau–Yau非线性滤波把状态估计拆成离线求解多组Fokker–Planck–Kolmogorov方程和在线投影两步,离线求解与重复投影都很耗时。神经算子滤波器NOF改用傅里叶神经算子直接学习从先验密度到后验密度的映射,从而省去这两步。在一维与二维三次滤波基准上,NOF的均方误差与粒子滤波、LGS方法相当,二维算例中平均运行时间比粒子滤波少约77.9%、比LGS少约63.3%。
深度剖析
非线性滤波中,后验密度可以不再靠离线反复求解偏微分方程和在线投影得到,而是由一次训练好的算子直接给出。 Yau–Yau滤波原本把Fokker–Planck–Kolmogorov方程在离线阶段用一组预设基函数求解,在线阶段再把先验密度投影到这组基函数上,因此离线求解多组方程开销大,重复滤波或高维情形下在线投影也昂贵。 在一维三次滤波基准上,NOF、粒子滤波与LGS三种有效方法的平均均方误差在统计上相当,差异在一个标准差以内;扩展卡尔曼滤波在该三次观测模型下发散,被排除在精度比较之外。
实现方式是用傅里叶神经算子充当Fokker–Planck–Kolmogorov方程前向映射的替代模型,在线滤波时直接复用。 傅里叶神经算子是一种在函数空间之间学习映射的网络,它把输入变换到傅里叶域、用可学习的核做卷积再变换回来,只保留有限个傅里叶模态。 训练数据由两部分组成:蒙特卡洛模拟真实动力学并用有限差分法求解Yau–Yau滤波得到的先验—后验密度对,以及以零均值高斯随机场为初值、用有限差分法算出参考解的方程输入输出对;一维算例用235条轨迹、100点空间网格,二维算例用1397对输入输出、599条测试轨迹。
速度收益在二维算例上同样成立,而精度略逊于粒子滤波。 二维三次系统中,粒子滤波给出最低的均方误差,LGS次之,NOF再次之,三者顺序与一维算例不同。 二维算例中NOF平均运行时间比粒子滤波少约77.9%、比LGS少约63.3%;一维算例中NOF每次试验仅需数秒,比粒子滤波少约83.1%、比LGS少约51.9%。
启示与展望
演示范围限于一维三次滤波和二维线性漂移、三次观测的滤波系统,两者都具有强非线性;精度结论只覆盖低维与中维系统,高维情形未被实验验证。理论部分给出的是固定观测步数下的定性一致性估计,常数刻意未取紧。
理论误差界只对固定的观测步数成立,常数不追求紧致;当步长趋于零时前向算子接近恒等,算子学习不再带来收益,因此该极限不是关注对象。二维算例中NOF的均方误差高于粒子滤波,速度优势与精度取舍需按应用权衡。
