Ein unüberwachtes Ensemble-Lernverfahren für nichtlineare dynamische Zustandsraummodelle

Ein bayessches Ensemble-Lernverfahren wird vorgestellt, um dynamische Prozesse aus rauschenden Daten unüberwacht zu extrahieren. Es wird angenommen, dass die Daten durch eine unbekannte nichtlineare Abbildung von unbekannten Faktoren generiert werden. Die Dynamik der Faktoren wird mit einem nichtlinearen Zustandsraummodell modelliert. Die nichtlinearen Abbildungen im Modell werden durch multilayer perceptron Netzwerke dargestellt. Das vorgeschlagene Verfahren ist rechenintensiv, erlaubt jedoch die Verwendung höherdimensionaler nichtlinearer latenter Variablenmodelle als andere vorhandene Ansätze. Experimente mit chaotischen Daten zeigen, dass die neue Methode in der Lage ist, die Faktoren und den dynamischen Prozess, der die Daten erzeugt hat, blind zu schätzen. Sie übertrifft eindeutig die derzeit verfügbaren nichtlinearen Vorhersagetechniken in diesem sehr schwierigen Testproblem.