A flexible state-space model for learning nonlinear dynamical systems

ما یک مدل غیر خطی حالت-فضایی با توابع حالت انتقال و مشاهده که به صورت تابع تابع پایه بیان می شود را در نظر می گیریم. ضرایب در گسترش تابع پایه از داده ها آموخته می شود. با استفاده از اتصال به فرآیندهای گاوسی، ما همچنین بر اساس ضرایب، برای تنظیم انعطاف پذیری مدل و جلوگیری از اضافه شدن به داده ها، مشابه مدل فاز حالت گاوس گاوسی، توسعه می دهیم. پیش از این می توان به عنوان یک راه حل قانونی دیده می شد و به مدل در تعمیم داده ها کمک می کرد بدون اینکه ثروت ارائه شده توسط گسترش تابع پایه را به خطر بیاندازد. برای شناختن ضرایب و دیگر پارامترهای نامعلوم به طور موثر، الگوریتم را با استفاده از روش های پیشرفته ترتیبی مونت کارلو، که با تضمین های نظری در یادگیری می آید، طراحی می کنیم. رویکرد ما نشان می دهد نتایج امیدوار کننده در ارزیابی بر اساس یک معیار کلاسیک و همچنین داده های واقعی است.