标题： 随机微分方程中的联合最大后验状态路径和参数估计 显示英文标题

标题： Joint Maximum a Posteriori State Path and Parameter Estimation in Stochastic Differential Equations

摘要： 在本文中，我们介绍了用于由随机微分方程（SDEs）描述的连续时间系统的联合最大后验状态路径和参数估计器（JME）。 该估计器可以应用于具有离散时间（采样）测量的非线性系统，适用于广泛的测量分布。 我们还表明，最小能量状态路径和参数估计器（MEE）获得了联合最大后验噪声路径、初始条件和参数。 这些估计器在模拟实验中进行了演示，其中它们与使用无迹卡尔曼滤波器和平滑器的预测误差方法（PEM）进行了比较。 实验表明，MEE对于漂移函数的阻尼参数是有偏的。 此外，在存在异常值的情况下进行鲁棒估计时，JME的状态估计误差低于PEM。 显示英文摘要

摘要： In this article, we introduce the joint maximum a posteriori state path and parameter estimator (JME) for continuous-time systems described by stochastic differential equations (SDEs). This estimator can be applied to nonlinear systems with discrete-time (sampled) measurements with a wide range of measurement distributions. We also show that the minimum-energy state path and parameter estimator (MEE) obtains the joint maximum a posteriori noise path, initial conditions, and parameters. These estimators are demonstrated in simulated experiments, in which they are compared to the prediction error method (PEM) using the unscented Kalman filter and smoother. The experiments show that the MEE is biased for the damping parameters of the drift function. Furthermore, for robust estimation in the presence of outliers, the JME attains lower state estimation errors than the PEM.