[发明专利]切换递归卡尔曼网络的改进

说明书

提供了切换递归卡尔曼网络的改进。一种控制设备的方法包括从第一传感器接收数据，经由编码器的参数对数据进行编码以获得数据的潜在观测（wsubgt;t/subgt;）和潜在观测的不确定性向量（），用递归神经网络处理潜在观测以获得确定局部线性卡尔曼滤波器的权重（）的切换变量（ssubgt;t/subgt;），用局部线性卡尔曼滤波器处理潜在观测和不确定性向量，以获得卡尔曼滤波器的潜在表示的更新均值（）和潜在表示的协方差（），解码潜在表示以获得数据重构的均值（）和协方差（），并在时间t输出重构。

技术领域

本公开总体上涉及在机器学习系统中给定随时间观测到的测量来估计未知变量的系统和方法。

背景技术

线性二次估计(LQE)——通常被称为卡尔曼滤波器——是一种基于一系列随时间观测到的测量来产生未知变量估计的算法。随时间观测到的测量可能包括噪声和其他不准确性，并且因此未知变量的估计可能比仅基于单个测量的估计更准确，因为该估计包括针对每个时间帧的变量上的联合概率分布。

发明内容

一种控制设备的方法包括从第一传感器接收数据，经由编码器的参数对数据进行编码以获得数据的潜在观测(w_t)和潜在观测的不确定性向量(σw_t)，用递归神经网络处理潜在观测以获得确定局部线性卡尔曼滤波器的权重(α_t)的切换变量(s_t)，用所述局部线性卡尔曼滤波器处理潜在观测和不确定性向量以获得卡尔曼滤波器的潜在表示的更新均值(μz_t)和潜在表示的协方差(∑z_t)，解码潜在表示以获得数据重构的均值(μx_r)和协方差(∑x_t)，并在时间t输出所述重构。

一种设备控制系统包括控制器。控制器可以被配置为从第一传感器接收数据，经由编码器的参数对数据进行编码以获得数据的潜在观测(w_t)和潜在观测的不确定性向量(σw_t)，用递归神经网络处理潜在观测以获得确定局部线性卡尔曼滤波器的权重(α_t)的切换变量(s_t)，用所述局部线性卡尔曼滤波器处理潜在观测和不确定性向量以获得卡尔曼滤波器的潜在表示(Zt)的更新均值(μz_t)和协方差(∑z_t)，解码潜在表示以获得数据重构的均值(μx_r)和协方差(∑x_t)，并在时间t输出所述重构。

一种用于处理时间序列数据的系统包括编码器、卡尔曼更新块、局部线性卡尔曼滤波器、推断网络、门控递归单元和解码器。编码器可以被配置为接收观测(x_t)并输出不确定性向量(σw_t)和潜在观测(w_t)。卡尔曼更新块可以被配置为接收不确定性向量和潜在观测，并输出潜在表示的均值(μz_t)和潜在表示的协方差(∑z_t)。局部线性卡尔曼滤波器可以被配置为接收权重(α_t)、潜在表示的先验均值和潜在表示的先验协方差，并输出潜在表示的后验均值和潜在表示的后验协方差。推断网络可以被配置为接收潜在观测和确定性递归单元(h_t)，并输出局部线性卡尔曼滤波器的切换变量(s_t)和权重。门控递归单元可以被配置为接收切换变量并输出确定性递归单元。解码器可以被配置为接收潜在表示，并输出潜在观测的均值(μx_r)和潜在观测的协方差(∑x_r)。

附图说明

图1是切换递归卡尔曼网络(SRKN)的流程图。

图2是图1的切换递归卡尔曼网络的数据流图。

图3是由切换递归卡尔曼网络生成的轨迹的图形表示。

图4是基于前两个时间步长由切换递归卡尔曼网络生成的图像序列的图形表示。