基于EM(Expectation-Maximization)算法的切换高速列车模型联合滤波(Joint Filtering)辨识方法

《IEEE Access》：Parameter Estimation for High-Speed Train Switching Models Using Hierarchical Joint Filtering and Expectation Maximization

　　

摘要—精确的高速列车(High-Speed Train, HST)动力学模型是列车运行控制系统设计的基础，但实际运行中列车表现出显著的低速线性与高速非线性(V-N-model)切换特性，且位移(s)与速度(v)等状态变量难以直接获取，导致传统单一模型辨识精度不足。本文提出一种基于期望最大化(Expectation-Maximization, EM)算法的联合滤波辨识算法用于切换HST模型参数估计。该模型包含一个线性位移子模型(适用于全速段)及两个速度局部模型：线性速度模型(V-L-model, 低速段)与非线性速度模型(V-N-model, 高速段)，由隐开关变量I(q)∈{1,2}指示。由于位移子模型为线性故采用卡尔曼滤波(Kalman Filter, KF)估计，而非线性速度子模型根据后验模式概率(p(I(q)=i|·))比较分别采用卡尔曼滤波(V-L-model)或粒子滤波(Particle Filter, PF, V-N-model)估计，此即联合滤波(E-step)。M-step中利用滤波得到的状态后验期望更新模型参数矢量?i，其中V-L-model参数?1=[\bar{d}, \bar{d}a1, \bar{d}b1]T，V-N-model参数?2=[\bar{d}, \bar{d}a2, \bar{d}b2, \bar{d}c2]T，\bar{d}=0.0098T/(1+d)。研究人员利用高速列车运行控制仿真测试平台采集CRH3与CRH5型列车真实运行数据进行仿真验证。结果表明所提算法能有效分离两局部模型、收敛至真值邻域，且状态估计可跟踪真实轨迹；无滤波模块的对照实验则导致模式识别失败。该方法解决了含不可测状态的切换非线性系统参数辨识问题，提升了HST模型准确性，对复杂切换系统辨识具参考价值。

论文解读：基于EM算法的切换高速列车模型联合滤波辨识方法研究

一、研究背景与意义

高速列车(High-Speed Train, HST)运行控制系统依赖于精确的列车动力学模型。然而实际HST运行呈现明显的多工况切换特性：低速阶段牵引/制动过程可用线性阻力模型描述（V-L-model），而高速巡航阶段空气阻力呈二次方增长，需用非线性模型描述（V-N-model, V-Nonlinear model）。此外，列车的位移(position, s(q))与速度(velocity, v(q))通常为不可直接测量的隐状态(hidden variables)，且系统受过程噪声与观测噪声影响。传统最小二乘法或单一固定结构模型无法兼顾模式切换与状态未知问题，导致参数辨识偏差大、模式判别失误。为此，研究人员开展基于期望最大化(Expectation-Maximization, EM)算法与联合滤波(joint filtering, 结合Kalman Filter卡尔曼滤波与Particle Filter粒子滤波)的切换HST模型参数及状态联合辨识研究，成果发表于《IEEE Access》。

二、主要关键技术方法

研究人员建立分层切换状态空间模型：观测方程y₁(q)=s(q)+e₁(q), y₂(q)=v(q)+e₂(q)；状态方程含线性位移递推s(q)=s(q-1)+Tv(q-1)+η₁(q)及切换速度演化——若I(q)=1 (V-L-model)则 Δv=\bar{d}[u(q)-a₁-b₁v(q-1)]+η₂(q)，若I(q)=2 (V-N-model)则 Δv=\bar{d}[u(q)-a₂-b₂v(q-1)-c₂v²(q-1)]+η₂(q)，其中\bar{d}=0.0098T/(1+d^k)，u(q)为控制输入（牵引/制动力折算值），I(q)为隐开关变量。EM迭代步骤：(E步)以当前参数α^k用联合滤波器计算隐状态后验期望——位移子模型因线性用标准Kalman Filter(KF)得\bar{s}(q), P_s(q)；速度子模型依上一轮模式后验概率w^k_i(q)判断，若w^k₁(q)>w^k₂(q)用KF得\bar{v}(q)，否则用Particle Filter(PF)按N个粒子预测\hat{v}_j(q)、计算似然权重β_j(q)、归一化\bar{β}_j(q)并加权求和得\bar{v}(q)=Σ\bar{β}_j(q)\hat{v}_j(q)；(M步)利用滤波所得\phi_k+1(q)= \bar{v}_k+1(q)-\bar{v}_k+1(q-1)、回归向量Φ^k+1_i(q)及模式概率w^k+1_i(q)=P(\bar{v}_k+1(q)|\bar{v}_k+1(q-1),u(q),I=i,?_i^k)/ΣP(·)更新加权最小二乘解?_i^k+1=[Σw_iΦΦ^T]^-1[Σw_iΦφ]，直至‖?^k+1-?^k‖≤ε。样本数据取自CRH3(四动四拖)与CRH5(五动三拖)高速列车运营控制仿真测试平台真实记录，采样N=160点涵盖启动(1–55s/1–35s)、恒速(56–110s/36–135s)、制动(111–160s/136–160s)三阶段。

三、研究结果

SECTION IV. The Joint Filtering Method（联合滤波方法）

研究人员推导了位移与速度的Kalman Filter标准更新公式(式8–12, 14–17)，并给出非线性V-N-model下Particle Filter实现(式18–21)：粒子初始化加随机扰动，按V-N-model预测各粒子下一时刻速度，以测量y₂(q)基于高斯似然计算未归一化权重，归一化后求加权和得速度后验均值。指出位移估计依赖S-model与V-model，而速度估计仅依赖V-model；当模式概率不明时可通过w₁(q)与w₂(q)比较决定滤波器选择，临近切换边界可采用加权融合\bar{v}(q)=w₁(q)\bar{v}_KF(q)+w₂(q)\bar{v}_PF(q)平滑过渡。

SECTION V. The EM Based Joint Filtering Algorithm（基于EM的联合滤波算法）

详述EM迭代：E-step在给定α^k下计算Q-function(式22–23)并利用联合滤波获得隐状态后验期望\bar{s}_k+1(q), \bar{v}_k+1(q)及模式后验概率w^k+1_i(q)(式33，由状态转移密度比导出，因观测模型相同可约去观测似然)。M-step将Q-function化简(式34–35)并对各局部模型独立求解加权正规方程得参数更新式(式36)。证明了理想情况下Q(α^k|α^k)≤Q(α^k+1|α^k)(式37–39)，保证单调收敛；实际因PF蒙特卡洛近似引入误差，需权衡粒子数L。

SECTION VI. Examples（仿真算例）

Example A. CRH3 High-Speed Trains：真值?₁=[0.0092,0.005,0.00001]^T, ?₂=[0.0092,0.0049,0.00004,0.000001]^T。EM迭代5次内相对误差τ=‖\hat{?}_i-?_i‖/‖?_i‖降至<2%。位移与速度估计曲线紧密贴合真值，残差有界。模式概率w₁(q)在低速段趋近1、高速段趋近0，成功区分V-L与V-N model。

Example B. CRH5 High-Speed Trains：真值?₁=[0.0092,0.00645,0.000039]^T, ?₂=[0.0092,0.00638,0.000058,0.0000013]^T。同样收敛且模式识别正确。设置无滤波对照实验（直接用含噪y₂(q)代v(q)），模式概率在0.5附近波动、切换识别率仅49.69%，参数估计不收敛，验证了联合滤波模块必要性。

四、讨论与结论

研究人员得出结论：所提基于EM算法的联合滤波方法可有效处理含不可测状态的切换非线性HST模型辨识问题——E步通过Kalman Filter（线性部分）与Particle Filter（非线性部分）联合估计隐状态及计算模式后验概率，M步以加权最小二乘更新局部模型参数，迭代至收敛。算法能准确分离线性低速(V-L)与非线性高速(V-N)子模型、估计位移与速度轨迹、收敛至真值邻域。对照实验表明若无滤波环节模式判别失效，证明联合滤波是关键。该分层辨识思想将多维切换模型解耦为局部一维模型降低计算量，对其它复杂切换系统参数辨识具借鉴意义。未来将研究噪声统计特性未知情形下的切换HST模型辨识。

Conclusion（结论翻译）

本文研究了含不同模式的HST模型基于EM算法的联合滤波辨识方法，此类模型可表述为切换模型(switching model)，包含一个低速模型(linear V-L-model)与一个非线性高速模型(V-N-model)。鉴于速度模型非线性而位移模型始终线性，提出了一种联合滤波器(joint filter)。最终可获得估计参数。所提算法适用于含不可测变量的切换HST模型；研究启示可推广至其它复杂切换系统辨识问题；未来工作将探讨噪声统计量未知时的切换HST模型辨识。