×

半可分核及其正则化系统辨识和函数估计的有效实现。 (英语) Zbl 1478.93118号

摘要:基于核的正则化方法长期存在的一个问题是其计算复杂度高,其中,N是数据点的数量。在本文中,我们对这个问题进行了突破。特别是,我们证明了可以设计一般的半分离核通过系统理论或机器学习的观点,分别导出半可分模拟诱导核或振幅调制局部平稳核。此外,对于自动控制中许多常用的测试输入信号,通过探索核的半可分结构和相应的输出核的计算复杂性,没有任何近似值,可以降为\(O(Nq^2)\)或\(O,Nq^3)\),其中\(q)是输出核的半可分性秩,它只取决于所选核和输入信号。数值模拟表明,所提出的实现比最先进的实现快10^4倍。

MSC公司:

93B30型 系统标识
2017年第68季度 问题的计算难度(下限、完备性、近似难度等)
93-08 系统和控制理论相关问题的计算方法
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Andersen,Martin S。;陈天石,光滑样条与秩结构矩阵:样条核的再认识,SIAM矩阵分析与应用杂志,41389-412(2020)·Zbl 1440.65038号
[2] 乔治奥斯·伯普苏基斯(Georgios Birpoutsoukis);安娜·马可纳托;约翰·拉泰尔(John Lataire);Johan Schoukens,正则化非参数Volterra核估计,Automatica,82,324-327(2017)·Zbl 1372.93189号
[3] 朱利奥·波特加尔;亚历山大·阿拉夫金。;Hjalmarsson,Hákan;Pillonetto,Gianluigi,用于线性系统识别的稳健EM核方法,Automatica,67,114-126(2016)·Zbl 1335.93130号
[4] Frank Bowman,《贝塞尔函数简介》(1958),Courier Corporation·兹伯利0083.05602
[5] Carli,F.P。;Chen,T。;Ljung,L.,系统识别的最大熵核,IEEE自动控制学报,62,3,1471-1477(2017)·Zbl 1366.93669号
[6] Carli,F.P。;Chiuso,A。;Pillonetto,G.,《使用稳定样条估值器进行大规模线性系统辨识的高效算法》(IFAC系统辨识研讨会(2012年))
[7] 陈天石,《关于规范化LTI系统识别的内核设计》,Automatica,90,109-122(2018)·Zbl 1387.93064号
[8] 陈天石,连续时间DC核-稳定广义一阶样条核,IEEE自动控制汇刊,634442-4447(2019)·Zbl 1423.93091号
[9] Chen,T。;安徒生,M.S。;Ljung,L。;Chiuso,A。;Pillonetto,G.,使用顺序凸优化技术通过基于稀疏多核的正则化进行系统识别,IEEE自动控制汇刊,112933-2945(2014)·Zbl 1360.93720号
[10] 陈天石;阿德西里,托希德;Francesca P.Carli。;亚历山德罗·齐乌索;Lennart Ljung;Pillonetto,Gianluigi,离散时间一阶稳定样条核的最大熵性质,Automatica,66,34-38(2016)·Zbl 1335.93131号
[11] Chen,T。;Ljung,L.,系统辨识中正则最小二乘问题中参数调整算法的实现,Automatica,49,2213-2220(2013)·Zbl 1364.93825号
[12] Chen,T。;Ohlsson,H。;Ljung,L.,《关于传递函数、正则化和高斯过程的估计——重新审视》,Automatica,4811525-1535(2012)·Zbl 1269.93126号
[13] Chiuso,A.,《动力系统中的正则化和贝叶斯学习:过去、现在和未来》,《控制年度评论》,41,24-38(2016)
[14] 亚历山德罗·齐乌索;Pillonetto,Gianluigi,稀疏动态网络识别的贝叶斯方法,Automatica,48,8,1553-1565(2012)·Zbl 1267.93172号
[15] Cucker,F。;Smale,S.,《学习的数学基础》,美国数学学会,39,1,1-49(2002)·Zbl 0983.68162号
[16] Dinuzzo,F.,线性时不变系统识别的内核,SIAM控制与优化杂志,53,5,3299-3317(2015)·Zbl 1329.93049号
[17] 藤本裕助;Sugie,Toshiharu,基于内核的系统识别的信息输入设计,Automatica,3,37-43(2018)·Zbl 1387.93166号
[18] Golub,Gene H。;迈克尔·希思;Wahba,Grace,作为选择良好山脊参数的方法的广义交叉验证,Technometrics,21,2215-223(1979)·Zbl 0461.62059号
[19] Latarie,J。;Chen,T.,频域高斯过程回归的传递函数和瞬态估计,Automatica,52217-229(2016)·Zbl 1344.93103号
[20] 马丁·林德福斯(Martin Lindfors);Chen,Tianshi,存在异常值的正则LTI系统识别:变分EM方法,Automatica,121,文章109152 pp.(2020)·Zbl 1448.93337号
[21] Ljung,L.,《系统识别-用户理论》(1999),新泽西州普伦蒂斯·霍尔:普伦蒂斯霍尔上鞍河。
[22] Lennart Ljung;陈天石;Mu,Biqiang,《系统识别范式的转变》,《国际控制杂志》,93,173-180(2020)·Zbl 1453.93066号
[23] 穆碧强;陈天石,《正则化LTI系统识别的输入设计:功率约束输入》,Automatica,97,327-338(2018)·Zbl 1406.93360号
[24] 穆碧强;陈天石;Ljung,Lennart,使用交叉验证进行正则化系统识别的超参数估值器的渐近性质,(第57届IEEE决策与控制会议(2018),美利坚合众国:美利坚合众国迈阿密),644-649·Zbl 1401.93197号
[25] 穆碧强;陈天石;Ljung,Lennart,关于基于核的正则化方法超参数估计的渐近性质,Automatica,94,381-395(2018)·Zbl 1401.93197号
[26] Gianluigi Pillonetto;Chiuso,Alessandro,正则核回归和线性系统识别中的调整复杂性:边际似然估计量的稳健性,Automatica,51,106-117(2015)·Zbl 1330.93235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。;Nicolao,G.De,《基于内核的线性系统识别新方法》,Automatica,46,1,81-93(2010)·Zbl 1214.93116号
[29] 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:麻省理学院出版社剑桥·Zbl 1177.68165号
[30] 里卡多·斯文(Riccardo Sven Risuleo);朱利奥·波特加尔;Hjalmarsson,Hákan,基于非参数核的Hammerstein系统识别方法,Automatica,85,234-247(2017)·兹比尔1375.93133
[31] 里卡多·里苏里奥。;朱利奥·波特加尔;Hjalmarsson,Hákan,从量化数据中识别线性模型:中点投影法,IEEE自动控制汇刊(2019)·Zbl 1429.93068号
[32] Schölkopf,B。;Smola,A。;Muller,K.R.,《内核主成分分析》,(Schokopf,B.;Burges,C.;Smola,A.,《内核方法的进展——支持向量学习》(1999),麻省理工学院出版社:麻省理工学院出版社,马萨诸塞州剑桥),327-352
[33] Vandebril,R。;van van Barel,M。;Mastronardi,N.,《矩阵计算与半可分矩阵:线性系统》(2008),约翰霍普金斯大学出版社·兹比尔1141.65019
[34] Vandebril,R。;van van Barel,M。;Mastronardi,N.,《矩阵计算与半可分矩阵:特征值与奇异值方法》,第2卷(2008年),约翰霍普金斯大学出版社·Zbl 1175.65045号
[35] Wahba,G.,观测数据的样条模型(1990),SIAM:SIAM Philadelphia·Zbl 0813.62001号
[36] 马蒂亚·佐齐(Mattia Zorzi);Chiuso,Alessandro,核函数的调和分析,Automatica,94,125-137(2018)·Zbl 1400.93321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。