State-Space Model

概述

一种用于描述动态系统的数学建模框架，通过状态变量来描述系统的内部状态和外部观测之间的关系。

关键内容

1. 基本组成：
2. 状态转移方程：描述系统的内在演化规律，表达为"下一时刻的状态 = 当前状态经过某种变换 + 过程噪声"

3. 观测方程：描述传感器如何观测系统，表达为"测量值 = 状态经过某种映射 + 测量噪声"

4. 建模优势：

5. 提供了统一的数学语言来描述各种不同类型的系统
6. 将系统的内在动态与观测过程清晰地分离开来
7. 支持多输入多输出系统的建模

8. 能够处理不可直接观测的隐含状态变量

9. 应用领域：

10. 控制理论：描述受控系统的动态行为
11. 信号处理：滤波和预测问题
12. 时间序列分析：ARIMA、指数平滑等方法的状态空间表示
13. 经济学：宏观经济学模型和计量经济模型

14. 生物学：生态系统和生理系统建模

15. 与卡尔曼滤波的关系：

16. 卡尔曼滤波是在状态空间模型框架下的最优估计算法
17. 状态空间模型为卡尔曼滤波提供了建模基础

18. 许多时间序列方法（如ARIMA、指数平滑）都可以等价地表示为状态空间模型

19. 重要发展：

20. 由Rudolf Kalman在1960年引入控制理论
21. 成为了现代控制理论和时间序列分析的通用语言
22. 后续发展出线性、非线性、时变等多种形式

来源

• /raw/books/时间序列分析/04-kalman-1960-filter.md — 介绍建模框架与应用
• Forecasting, Structural Time Series Models and the Kalman Filter — 详细阐述与时间序列分析的联系

相关

• Kalman Filter — 在该框架下的最优估计算法
• Rudolf Emil Kalman — 框架的引入者
• ARIMA Models — 可以表示为状态空间模型
• Time Series Analysis — 应用领域之一
• Structural Time Series Models — 特定类型的状态空间模型