穆罕默德·阿卜杜勒莫尼姆·哈桑（Mohamed Abdelmonim Hassan Darwish）;考克斯（Pepijn Bastiaan Cox）;普罗米迪斯，伊奥安尼斯;吉安路易吉·皮洛内托;罗兰·托斯 LPV系统的预测误差识别：非参数高斯回归方法。 （英语） Zbl 1406.93356号 Automatica公司 97, 92-103 (2018). 摘要：在Box-Jenkins（BJ）型一般噪声模型结构下，引入贝叶斯非参数方法估计多输入多输出（MIMO）线性参数维（LPV）模型。该方法基于对一般LPV-BJ结构的一步预报器的估计。与输入和输出信号相关的部分预测器被建模为渐近稳定的无限脉冲响应（IIR）模型。然后，这些IIR模型在完全非参数意义下被识别：不仅系数被估计为函数，而且脉冲响应随LPV系统调度信号的全时间演化。在这种贝叶斯设置中，一步预测值的估计是从零米高斯随机场实现的，其中协方差函数是一个多维高斯核，对预测值的可能结构相关性和稳定性进行编码。针对LPV设置，提出了两种不同的核公式，即类DIagonal（DI）和类Tuned/Correlated（TC）核，其中类TC核能够描述与不同时间指数相关的系数函数之间的相关性。参数化DI或TC内核的未知超参数是通过使观测数据的边际似然最大化来调整的。此外，我们还提供了一种非参数实现方案，以从识别出的一步预报器中恢复原始过程和噪声IIR。通过广泛的Monte-Carlo研究，在MIMO LPV-BJ仿真实例上测试了该识别方法的性能。 引用于4文件 MSC公司： 93E12号机组 随机控制理论中的辨识 93E10型 随机控制理论中的估计与检测 93D20型 控制理论中的渐近稳定性 93E15型 控制理论中的随机稳定性 93立方35 多变量系统、多维控制系统 93二氧化碳 控制理论中的线性系统 62英尺15英寸 贝叶斯推断 第60页 统计学在工程和工业中的应用；控制图 关键词：贝叶斯识别;系统标识;再生核希尔伯特空间;线性参数变量系统;机器学习;正规化;预测误差识别;高斯过程;box-Jenkins模型 软件：ElemStatLearn（电子状态学习） PDF格式BibTeX公司 XML格式引用 \textit{M.A.H.Darwish}等人，Automatica 97，92--103（2018；Zbl 1406.93356） 全文： DOI程序 参考文献： [1] Aronszajn，N.，《再生核理论》，《美国数学学会学报》，68337-404（1950）·Zbl 0037.20701号 [2] 巴赫纳斯，A.A。；Tóth，R。；A.梅斯巴。；Ludlage，J.，《数据驱动线性参数变量建模方法综述：高纯度精馏塔案例研究》，《过程控制杂志》，24，272-285（2014） [3] 巴米耶，B。；Giarré，L.，线性参数变化模型的识别，鲁棒和非线性控制国际期刊，12841-853（2002）·Zbl 1007.93022号 [4] 卡林，B.P。；Louis，T.A.，《数据分析的贝叶斯和经验贝叶斯方法》（2000年），CRC出版社·Zbl 1017.62005年 [5] Chen，T。；Ohlsson，H。；Ljung，L.，关于传递函数、正则化和高斯过程的估计——再访问，Automatica，48，8，1525-1535（2012）·兹比尔1269.93126 [6] Darwish，M.A.H.、Cox，P.B.、Pillonetto，G.和Tóth，R.（2015）。LPV-Box-Jenkins模型的贝叶斯识别。在程序。第54届IEEE决策与控制会议; Darwish，M.A.H.、Cox，P.B.、Pillonetto，G.和Tóth，R.（2015）。LPV-Box-Jenkins模型的贝叶斯识别。在程序。第54届IEEE决策与控制会议 [7] Darwish，M.A.H。；考克斯，P.B。；Proimadis，I。；Pillonetto，G。；Tóth，R.，“LPV系统预测误差识别：非参数高斯回归方法”中使用的数据生成系统描述，TUE-CS-2017-001（2017），埃因霍温理工大学 [8] Darwish，M.A.H.、Lataire，J.和Tóth，R.（2017）。具有OBF核的LTI系统的贝叶斯频域识别。在程序。第20届国际会计师联合会世界大会; Darwish，M.A.H.、Lataire，J.和Tóth，R.（2017）。具有OBFs核的LTI系统的贝叶斯频域识别。在程序。第20届国际会计师联合会世界大会 [9] Darwish，M.A.H.、Pillonetto，G.和Tóth，R.（2015）。基于核函数的正交基函数在贝叶斯系统辨识中的应用前景。在程序。第54届IEEE决策与控制会议; Darwish，M.A.H.、Pillonetto，G.和Tóth，R.（2015）。基于核函数的正交基函数在贝叶斯系统辨识中的应用前景。在程序。第54届IEEE决策与控制会议 [10] Darwish，M.A.H。；Pillonetto，G。；Tóth，R.，《在贝叶斯脉冲响应识别中寻求正确的核：OBF的使用》，Automatica，87，318-329（2018）·Zbl 1378.93130号 [11] dos Santos，P.L.、Ramos，J.A.和de Carvalho，J.L.M.（2008）。使用连续近似辨识LPV系统。在程序。第47届IEEE决策与控制会议; dos Santos，P.L.、Ramos，J.A.和de Carvalho，J.L.M.（2008）。使用连续近似辨识LPV系统。在程序。第47届IEEE决策与控制会议 [12] 福门汀，S。；Piga，D。；托特，R。；Savaresi，S.M.，从数据直接学习LPV控制器，Automatica，65，98-110（2016）·Zbl 1328.93071号 [13] Golabi，A.、Meskin，N.、Tóth，R.和Mohammadpour，J.（2014）。用于估计LPV线性回归模型的贝叶斯方法。在程序。第53届IEEE决策与控制会议; Golabi，A.、Meskin，N.、Tóth，R.和Mohammadpour，J.（2014）。LPV线性回归模型估计的贝叶斯方法。在程序。第53届IEEE决策与控制会议 [14] Golabi，A。；梅斯金，N。；托特，R。；Mohammadpour，J.，LPV模型识别的贝叶斯方法及其在复杂过程中的应用，IEEE控制系统技术汇刊，99，1-8（2017） [15] Golub，G.H。；希思，M。；Wahba，G.，《广义交叉验证作为选择良好岭参数的方法》，《技术计量学》，21，2，215-223（1979）·Zbl 0461.62059号 [16] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素：数据挖掘、推理和预测》（2009），施普林格出版社·Zbl 1273.62005年 [17] Hsu，K.、Vincent，T.L.和Poolla，K.（2008）。线性参数变化系统辨识的非参数方法。在程序。计算机辅助控制系统设计国际研讨会; Hsu，K.、Vincent，T.L.和Poolla，K.（2008）。线性参数变化系统辨识的非参数方法。在程序。计算机辅助控制系统设计国际研讨会 [18] 劳伦，V。；Gilson，M。；托特，R。；Garnier，H.，用于识别LPV Box-Jenkins模型的精炼工具变量方法，Automatica，46，6，959-967（2010）·Zbl 1192.93121号 [19] Ljung，L.，系统识别，用户理论（1999），Prentice-Hall [20] 麦凯，D.J.C.，处理超参数的近似方法比较，神经计算，11，5，1035-1068（1999） [21] 麦凯，D.J.C.，《信息理论、推理和学习算法》（2003），剑桥大学出版社·Zbl 1055.94001号 [22] Mohammadpour，J。；Scherer，C.W.，线性参数变化系统的控制及其应用（2011），Springer-Verlag [23] Piga，D.，&Tóth，R.（2013）。LS-SVM设置中的LPV模型顺序选择。在程序。第52届IEEE决策与控制会议; Piga，D.，&Tóth，R.（2013）。LS-SVM设置中的LPV模型顺序选择。在程序。第52届IEEE决策与控制会议 [24] Pillonetto，G。；Chiuso，A.，正则核回归和线性系统识别中的调整复杂性：边际似然估计的稳健性，Automatica，58，106-117（2015）·Zbl 1330.93235号 [25] Pillonetto，G。；Chiuso，A。；De Nicolao，G.，线性系统的预测误差识别：非参数高斯回归方法，Automatica，47，2，291-305（2011）·Zbl 1207.93110号 [26] Pillonetto，G。；De Nicolao，G.，线性系统辨识的一种新的基于核的方法，Automatica，46，1，81-93（2010）·Zbl 1214.93116号 [27] Pillonetto，G。；迪努佐，F。；Chen，T。；De Nicolao，G。；Ljung，L.，系统识别、机器学习和功能估计中的核方法：一项调查，Automatica，50，3，657-682（2014）·Zbl 1298.93342号 [28] Pillonetto，G。；Quang，M.H。；Chiuso，A.，基于内核的非线性系统辨识新方法，IEEE自动控制事务，56，12，2825-2840（2011）·Zbl 1368.93751号 [29] Proimadis，I.、Bijl，H.和van Wingerden，J.W.（2015）。一种基于核的LPV子空间识别方法。在程序。第一届IFAC线性参数评价系统研讨会; Proimadis，I.、Bijl，H.和van Wingerden，J.W.（2015）。一种基于核的LPV子空间识别方法。在程序。第一届IFAC线性参数评价系统研讨会 [30] 拉斯穆森，C.E。；Williams，C.K.I.，机器学习的高斯过程（2006），麻省理工学院出版社·Zbl 1177.68165号 [31] 沙玛，J.S。；Athans，M.，非线性电厂增益调度控制分析，IEEE自动控制汇刊，35，8，898-907（1990）·Zbl 0723.93022号 [32] Stein，C.M.，多元正态分布平均值的估计，《统计年鉴》，9，6，1135-1151（1981）·Zbl 0476.62035号 [33] Sznaier，M。；Mazzaro，M.C.，LPV系统的控制导向识别和模型（in）验证的LMI方法，IEEE自动控制汇刊，481619-1624（2003）·Zbl 1364.93169号 [34] Tóth，R.，《线性参数变量系统的建模和识别》（2010年），施普林格出版社·Zbl 1211.93014号 [35] 托特，R。；Heuberger，P.S.C。；Van den Hof，P.M.J.，LPV系统识别的渐近最优正交基函数，Automatica，45，6，1359-1370（2009）·Zbl 1166.93315号 [36] 托特，R。；Heuberger，P.S.C。；Van den Hof，P.M.J.，关于LPV状态空间表示的离散化，IET控制理论与应用，42082-2096（2010） [37] 托特，R。；Heuberger，P.S.C。；Van den Hof，P.M.J.，《LPV系统的预测误差识别：当前和未来》，（Mohammadpour，J.；Scherer，C.W.，《线性参数变化系统的应用控制》（2012），Springer），27-60 [38] Tóth，R.、Laurain，V.、Zheng，W.和Poolla，K.（2011年）。模型结构学习：LPV线性回归模型的支持向量机方法。在程序。第50届IEEE决策与控制会议; Tóth，R.、Laurain，V.、Zheng，W.和Poolla，K.（2011年）。模型结构学习：用于LPV线性回归模型的支持向量机方法。在程序。第50届IEEE决策与控制会议 [39] van Wingerden，J.W。；Verhaegen，M.，《开放和闭环数据双线性和LPV系统的子空间识别》，Automatica，45，2，372-381（2009）·Zbl 1158.93324号 [40] Wahba，G.，观测数据的样条模型，第59卷（1990年），暹罗·Zbl 0813.62001号 [41] Wang，L。；Cluett，W.R.，在动态系统识别中使用PRESS残差，Automatica，32，5，781-784（1996）·Zbl 0850.93175号 [42] Wassink，M.G.公司。；van de Wal，M。；谢勒，C.W。；Bosgra，O.，《晶圆级的LPV控制：超越理论解决方案》，《控制工程实践》，13，2，231-245（2004） [43] Wills，A。；Ninness，B.，线性参数变化状态空间模型的系统识别，（dos Santos，P.L.；Novara，C.；Rivera，D.；Ramos，J.；Perdicoúlis，T.，《线性参数变量系统识别：新发展和趋势》，世界科学出版社，2011年），295-313·Zbl 1297.93178号 [44] Wollnack，S。；阿巴斯，H.S。；托特，R。；Werner，H.，《固定结构LPV-IO控制器：基于隐式表示的方法》，Automatica，83，282-289（2017）·Zbl 1373.93124号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。