2025年大学《数理基础科学》专业题库- 状态空间模型与预测

2025年大学《数理基础科学》专业题库——状态空间模型与预测考试时间：______分钟总分：______分姓名：______一、简述状态空间模型的基本组成部分及其在描述动态系统中的优势。二、在状态空间模型$x_k=Fx_{k-1}+w_{k-1}$,$y_k=Hx_k+v_k$中，$w_k$和$v_k$分别表示过程噪声和观测噪声。请说明高斯-马尔可夫模型（Gaussian-Markovmodel）成立的条件，并解释为何在这些条件下，最优线性无偏估计（OLME）的Kalman滤波器能够提供状态的最小方差估计。三、给定一个离散线性高斯状态空间模型：$$x_k=\Phix_{k-1}+w_{k-1}$$$$y_k=Hx_k+v_k$$其中，$w_k\simN(0,Q)$,$v_k\simN(0,R)$,$w_k$和$v_k$互不相关，且与初始状态$x_0$也不相关。Kalman滤波器递归地估计状态$x_k$。1.写出滤波器的预测步骤（预测状态$\hat{x}_k^-$和预测协方差$P_k^-$）和更新步骤（更新状态$\hat{x}_k$和更新协方差$P_k$）的公式。2.解释滤波增益$K_k=P_kH^TR^{-1}$的物理意义及其如何依赖于观测噪声协方差$R$。四、假设你正在使用Kalman滤波器对某个系统的状态进行估计。滤波运行一段时间后，你计算得到的一组滤波残差（Innovation）$z_k=y_k-H\hat{x}_k^-$被发现呈现非白噪声特性（例如，自相关显著）。1.列举可能导致这种情况出现的三个原因。2.简述你会如何利用残差分析来诊断模型是否合适，以及如果发现模型不合适，可以采取哪些初步的修正措施。五、考虑一个具有线性动态和观测关系的状态空间模型，但其状态变量包含非线性变化的项。例如，模型形式为：$$x_k=\Phix_{k-1}+f(x_{k-1})+w_{k-1}$$$$y_k=Hx_k+v_k$$其中，$f(x)$是一个非线性函数。简述扩展Kalman滤波器（EKF）是如何通过线性化来处理这种非线性状态的，并指出EKF的主要局限性和潜在问题。六、描述状态空间模型在短期预测和长期预测之间的基本差异。假设你正在使用一个状态空间模型为时间序列数据进行预测。请说明如何根据模型参数（如过程噪声协方差$Q$）和滤波结果（如最终状态估计$x_L$和其协方差$P_L$）来计算一步预测$\hat{x}_{L+1}$及其预测误差方差$\text{Var}(\hat{x}_{L+1}-x_{L+1})$。七、你收集了一系列关于某城市交通流量的数据，每小时记录一次。你认为交通流量$q_t$可以用一个一阶线性状态空间模型来描述：$$q_t=\Phiq_{t-1}+w_{t-1}$$$$y_t=q_t+v_t$$其中，$y_t$是实际观测到的流量。假设$\Phi=0.95$,$w_t\simN(0,4)$。为了校准模型，你首先需要估计观测噪声$R$。描述你会采用的一种参数估计方法（如极大似然估计），并简述实施该方法的步骤。八、设有一个简单的二阶离散状态空间模型：$$x_k=\begin{bmatrix}1&T\\0&1\end{bmatrix}x_{k-1}+\begin{bmatrix}\frac{T^2}{2}\\T\end{bmatrix}w_{k-1}$$$$y_k=x_k+v_k$$其中，$w_k\simN(0,1)$,$v_k\simN(0,2)$,$w_k,v_k$互不相关，$T$是一个已知常数。请建立该模型的Kalman滤波器，即推导出滤波预测和更新公式。试卷答案一、状态空间模型由两部分组成：状态方程$x_k=Fx_{k-1}+Gw_{k-1}$和观测方程$y_k=Hx_k+v_k$。其中，状态向量$x_k$表示系统在时刻$k$的内部状态，$w_{k-1}$和$v_k$分别是过程噪声和观测噪声，$F$和$H$是系统矩阵和观测矩阵。其优势在于能够显式地表示系统的动态演化过程（通过状态方程）和观测方式（通过观测方程），并且可以将复杂的非线性、非高斯系统通过恰当的线性化或扩展（如EKF）转化为线性高斯模型进行处理，从而利用成熟的Kalman滤波等最优估计技术。它提供了一种统一的框架来建模和估计具有随机干扰的动态系统。二、高斯-马尔可夫模型成立的条件主要包括：1.状态过程是马尔可夫过程，即当前状态只依赖于过去的状态，与更早的状态无关。2.过程噪声$w_k$和观测噪声$v_k$是零均值的。3.过程噪声$w_k$和观测噪声$v_k$是具有常数方差的白噪声序列，即$\mathbb{E}[w_k]=0$,$\mathbb{E}[v_k]=0$,$\text{Cov}(w_k,w_j)=Q\delta_{kj}$,$\text{Cov}(v_k,v_j)=R\delta_{kj}$,$\text{Cov}(w_k,v_j)=0$。4.初始状态$x_0$服从高斯分布，且与噪声序列$w_k,v_k$互不相关。在这些条件下，根据线性最小方差估计理论，Kalman滤波器能够提供状态$x_k$的最优线性无偏估计（OLME）。最优性体现在它提供了在所有线性无偏估计中方差最小的估计；线性体现在滤波方程是线性的；无偏体现在估计的期望值等于真实状态值。三、1.预测步骤：预测状态：$\hat{x}_k^-=\Phi\hat{x}_{k-1}+\Gammaw_{k-1}$（其中$\Gamma=\PhiP_{k-1}\Phi^T+Q$）预测协方差：$P_k^-=\PhiP_{k-1}\Phi^T+Q$（注意：标准假设下，$w_{k-1}$的估计值为0，故$\hat{x}_k^-=\Phi\hat{x}_{k-1}+\Gamma0=\Phi\hat{x}_{k-1}$，$\Gamma$实际上简化为$\PhiP_{k-1}\Phi^T+Q$）更新步骤：更新状态：$\hat{x}_k=\hat{x}_k^-+K_k(y_k-H\hat{x}_k^-)$更新协方差：$P_k=(I-K_kH)P_k^-$（其中$K_k=P_k^-H^TR^{-1}$为滤波增益）2.滤波增益$K_k=P_k^-H^TR^{-1}$表示在更新步骤中，观测信息$y_k$对状态估计$\hat{x}_k$的贡献权重。它由两部分决定：预测状态的不确定性（通过$P_k^-$体现，越大则权重越大）和观测信息的不确定性（通过$R^{-1}$体现，越大则权重越大）。直观上，如果预测非常不准（$P_k^-$很大），或者观测非常准确（$R$很小），那么观测信息对修正状态估计的影响就越大，滤波增益就越高。四、1.可能的原因：*观测模型$H$不正确，导致观测向量与真实状态向量的关系被错误描述。*观测噪声协方差$R$估计不准确，过高或过低都会影响滤波增益和残差特性。*过程噪声协方差$Q$估计不准确，影响预测步的误差传播。*模型本身是非线性的，而使用了线性滤波器（如标准Kalman滤波），导致非线性项的影响未被有效处理。*存在未建模的干扰或相关噪声。2.残差分析诊断与修正：*计算并分析滤波残差序列$z_k=y_k-H\hat{x}_k^-$的统计特性，如均值、方差和自相关性。对于理想的高斯线性模型，残差应近似为均值为0、方差为$R$的白噪声序列。*如果残差自相关显著，表明模型可能不合适或参数估计有误。*可以进行残差白化等处理，进一步检验模型假设。*修正措施：检查并修正观测矩阵$H$；重新评估并修正噪声协方差$R$和$Q$的估计值；如果存在非线性，考虑使用EKF、UKF或粒子滤波等非线性滤波方法；检查是否存在未建模的干扰源。五、扩展Kalman滤波器（EKF）处理非线性状态空间模型的基本思想是：在需要进行状态估计的每个时间步$k$，选择当前的最优估计状态$\hat{x}_k^-$作为非线性函数$f(x)$和$H$的局部线性化点。通过将非线性状态方程$x_k=f(x_{k-1})+w_{k-1}$在$\hat{x}_{k-1}$处进行泰勒展开，并保留一阶项，近似得到一个线性化模型。然后，将这个线性化模型应用于标准Kalman滤波的框架中，得到EKF的预测和更新公式。EKF的主要局限性在于其线性化近似的有效性依赖于非线性函数的局部特性，如果非线性较强，近似误差可能很大，导致滤波性能严重下降（如发散）。此外，EKF对参数估计误差也比较敏感。六、短期预测主要关注利用最新的观测信息$y_L$和当前的最优状态估计$\hat{x}_L$来预测下一个时刻的状态。预测值通常直接基于状态方程，即$\hat{x}_{L+1}=\Phi\hat{x}_L$。预测误差方差则主要取决于过程噪声协方差$Q$和从$L$时刻到$L+1$时刻的状态转移特性，通常为$\text{Var}(\hat{x}_{L+1}-x_{L+1})=\PhiP_L\Phi^T+Q$。长期预测则需要考虑从当前时刻$L$开始，经过多步状态转移和观测更新后的状态不确定性累积。预测值$\hat{x}_{L+N}$通常可以通过递归应用状态方程$N$步得到，即$\hat{x}_{L+N}=\Phi^N\hat{x}_L$。长期预测误差方差则会显著增大，因为它不仅包含初始状态误差方差$P_L$，还累积了所有未来步骤的过程噪声影响，其计算通常比较复杂，涉及到$\Phi^T,\Phi$等矩阵的幂次及其与$P_L,Q$的组合，最终方差为$\text{Var}(\hat{x}_{L+N}-x_{L+N})=\Phi^T\Sigma_L\Phi$，其中$\Sigma_L$是一个由$P_L$和$Q$通过递归关系决定的矩阵，反映了长期预测的总误差。七、可采用极大似然估计（MLE）来估计观测噪声协方差$R$。步骤如下：1.基于模型和已知的$x_0$的先验分布（如果提供），推导出滤波器参数（状态协方差$P_k$）的递归表达式。2.利用实际观测数据$y_1,y_2,\dots,y_T$和模型参数（$\Phi,\frac{T^2}{2},T,Q=1$），运行Kalman滤波算法，计算得到每个时刻$k=1,\dots,T$的状态估计$\hat{x}_k$和状态协方差$P_k$。3.根据Kalman滤波理论，在给定状态估计$\hat{x}_k$的情况下，观测值$y_k$的条件分布是高斯分布$N(H\hat{x}_k,R)$。因此，整个观测序列的对数似然函数为：$$\lnp(y_1,\dots,y_T|\Phi,T,Q,R)=-\sum_{k=1}^T\left[\frac{T}{2}\ln(2\pi)+\frac{T}{2}\ln|P_k|+\frac{Ty_k^2}{R}-\frac{Ty_k^2}{HP_k^-H^T+R}\right]$$其中$P_k^-$是滤波预测协方差。4.对数似然函数关于$R$是凹的，因此其最大值即为最大似然估计$\hat{R}_{MLE}$。5.求导并令导数为零，得到$\hat{R}_{MLE}$的表达式。经过推导（需要矩阵求导知识），最终得到：$$\hat{R}_{MLE}=\frac{1}{T}\sum_{k=1}^T\frac{Ty_k^2}{HP_k^-H^T+T}$$或者更精确的表达式涉及$P_k^-$和$P_k$的组合，但上述形式是直观推导的核心。6.计算上述表达式的值，即为观测噪声协方差$R$的极大似然估计值。八、建立Kalman滤波器：1.预测步骤：*预测状态：$$\hat{x}_k^-=\begin{bmatrix}1&T\\0&1\end{bmatrix}\begin{bmatrix}x_{k-1}^{(1)}\\x_{k-1}^{(2)}\end{bmatrix}+\begin{bmatrix}\frac{T^2}{2}\\T\end{bmatrix}w_{k-1}=\begin{bmatrix}x_{k-1}^{(1)}+Tx_{k-1}^{(2)}+\frac{T^2}{2}w_{k-1}\\x_{k-1}^{(2)}+Tw_{k-1}\end{bmatrix}$$（其中$x_k=\begin{bmatrix}x_k^{(1)}\\x_k^{(2)}\end{bmatrix}$）*预测协方差：$$P_k^-=\begin{bmatrix}1&T\\0&1\end{bmatrix}\begin{bmatrix}P_{k-1}^{(1,1)}&P_{k-1}^{(1,2)}\\P_{k-1}^{(2,1)}&P_{k-1}^{(2,2)}\end{bmatrix}\begin{bmatrix}1&T\\0&1\end{bmatrix}^T+\begin{bmatrix}\frac{T^2}{2}\\T\end{bmatrix}\begin{bmatrix}\frac{T^2}{2}&T\end{bmatrix}+Q$$$$=\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+T^2P_{k-1}^{(2,2)}+\frac{T^4}{4}&P_{k-1}^{(1,2)}+TP_{k-1}^{(2,2)}+\frac{T^3}{2}\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+T^2P_{k-1}^{(2,2)}+TQ&P_{k-1}^{(2,2)}+T^2Q\end{bmatrix}+\begin{bmatrix}\frac{T^4}{4}&\frac{T^3}{2}\\\frac{T^3}{2}&T^2\end{bmatrix}+\begin{bmatrix}1&0\\0&1\end{bmatrix}$$$$=\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}&P_{k-1}^{(1,2)}+TP_{k-1}^{(2,2)}+(\frac{T^3}{2}+\frac{T^3}{2})\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+(T^2+T)P_{k-1}^{(2,2)}+(\frac{T^3}{2}+T)&P_{k-1}^{(2,2)}+(T^2+1)Q\end{bmatrix}$$（其中$Q=I=\begin{bmatrix}1&0\\0&1\end{bmatrix}$）$$=\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}&P_{k-1}^{(1,2)}+TP_{k-1}^{(2,2)}+T^3\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+(2T^2+T)P_{k-1}^{(2,2)}+\frac{3T^3}{2}&P_{k-1}^{(2,2)}+(T^2+1)\end{bmatrix}$$（令$P_{k-1}^{(i,j)}=\text{Cov}(x_{k-1}^{(i)},x_{k-1}^{(j)})$）2.更新步骤：*观测矩阵：$H=I=\begin{bmatrix}1&0\end{bmatrix}$（假设观测只测量第一个分量）*滤波增益：$$S_k=HP_k^-H^T+R=\begin{bmatrix}1&0\end{bmatrix}\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}&P_{k-1}^{(1,2)}+TP_{k-1}^{(2,2)}+T^3\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+(2T^2+T)P_{k-1}^{(2,2)}+\frac{3T^3}{2}&P_{k-1}^{(2,2)}+(T^2+1)\end{bmatrix}\begin{bmatrix}1\\0\end{bmatrix}+R$$$$=P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}+\begin{bmatrix}1&0\end{bmatrix}\begin{bmatrix}1&0\\0&1\end{bmatrix}$$$$=P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}+1$$$$S_k=P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}+1$$（其中$R=I=\begin{bmatrix}1&0\\0&1\end{bmatrix}$）*滤波增益：$K_k=P_k^-H^TS_k^{-1}$$$K_k=\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}&P_{k-1}^{(1,2)}+TP_{k-1}^{(2,2)}+T^3\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+(2T^2+T)P_{k-1}^{(2,2)}+\frac{3T^3}{2}&P_{k-1}^{(2,2)}+(T^2+T)\end{bmatrix}\begin{bmatrix}1\\0\end{bmatrix}\left(P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}+1\right)^{-1}$$$$K_k=\frac{1}{P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}+1}\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+(2T^2+T)P_{k-1}^{(2,2)}+\frac{3T^3}{2}\end{bmatrix}$$*更新状态：$\hat{x}_k=\hat{x}_k^-+K_k(y_k-H\hat{x}_k^-)$$$\hat{x}_k=\begin{bmatrix}x_{k-1}^{(1)}+Tx_{k-1}^{(2)}+\frac{T^2}{2}w_{k-1}\\x_{k-1}^{(2)}+Tw_{k-1}\end{bmatrix}+K_k(y_k-\hat{x}_k^-)$$$$=\begin{bmatrix}x_{k-1}^{(1)}+Tx_{k-1}^{(2)}+\frac{T^2}{2}w_{k-1}\\x_{k-1}^{(2)}+Tw_{k-1}\end{bmatrix}+\frac{1}{P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}+1}\begin{bmatrix}P_{k-1}^{(1,1)}+2TP_{k-1}^{(1,2)}+(T^2+\frac{T^4}{4})P_{k-1}^{(2,2)}+\frac{T^4}{4}\\P_{k-1}^{(2,1)}+2TP_{k-1}^{(2,2)}+(2T^2+T)P_{k-1}^{(2,2)}+\frac{3T^3}{2}\end{bmatrix}(y_k-(x_