×
里卡多·斯文（Riccardo Sven Risuleo）；朱利奥·波特加尔；哈坎·哈勒马森

不确定输入系统的建模与识别。 （英语） Zbl 1429.93068号

自动化 105, 130-141 (2019).
摘要：我们提出了一类新的模型，称为不确定性输入模型，它允许我们处理线性系统受到部分未知输入信号影响的系统识别问题。为了对输入或线性系统的先验信息进行编码，我们使用高斯过程模型。我们使用经验贝叶斯方法从数据中估计模型：表征高斯过程模型的超参数是从数据的边际似然估计的。我们提出了一种迭代算法来寻找依赖于EM方法的超参数，并导致解耦更新步骤。由于在输入不确定的情况下，未知量的边际似然和后验分布都是不可处理的，因此我们提出了一种基于变分贝叶斯的近似方法。作为本文贡献的一部分，我们表明该模型结构包含了系统辨识中的许多经典问题，如Hammerstein模型、盲系统辨识和级联线性系统。这种联系使我们能够建立一个有效地应用于上述所有问题的系统程序，如本文所示的数值模拟所示。

引用于5文件

MSC公司：

93B30型 系统标识
93立方厘米 信息不完整的控制/观测系统
93立方厘米 控制理论中的非线性系统
93-10 系统和控制理论相关问题的数学建模或仿真

关键词：

系统标识；估计算法；非线性模型；非参数辨识；高斯过程

软件：

PRMLT公司；系统标识工具箱
PDF格式BibTeX公司 XML格式引用
\textit{R.S.Risuleo}等人，Automatica 105，130--141（2019年；Zbl 1429.93068）
全文： DOI程序 arXiv公司

参考文献：

[2] 艾哈迈德。；Recht，B。；Romberg，J.，使用凸规划的盲反卷积，IEEE信息论交易，60，37111-1732（2014）·Zbl 1360.94057号
[3] Bai，E.W.，Hammerstein-Wiener非线性系统的最优两阶段辨识算法，Automatica，34，3，333-338（1998）·Zbl 0915.93018号
[4] Bai，E.W。；Liu，Y.，关于双线性方程组的最小二乘解，（IEEE conf.decis.control（2005），IEEE）
[6] 伯纳多，J.M。；Smith，A.F.M.，贝叶斯理论（2000），John Wiley&Sons Inc·Zbl 0943.62009号
[7] Billings，S.A。；Fakhouri，S.Y.，使用相关分析识别一类非线性系统，电气工程师学会学报，125，7，691-697（1978）
[8] Bishop，C.M.，模式识别和机器学习（2006），Springer·Zbl 1107.68072号
[9] Bottegal，G.、Risuleo，R.S.和Hjalmarsson，H.（2015）。基于核方法的盲系统辨识。在程序。IFAC研讨会。系统识别（第48卷），第28期; Bottegal，G.、Risuleo，R.S.和Hjalmarsson，H.（2015）。基于核方法的盲系统辨识。在程序。IFAC研讨会。系统识别（第48卷），第28期·兹比尔1375.93133
[10] 博伊德，S。；Vandenberghe，L.，《凸优化》（2004），剑桥大学出版社·Zbl 1058.90049号
[11] 陈，T。；奥尔松，H。；Ljung，L.，《关于传递函数、正则化和高斯过程的估计——修正》，Automatica，48，8，1525-1535（2012）·Zbl 1269.93126号
[12] Dempster，A.P。；新墨西哥州莱尔德。；Rubin，D.B.，《通过EM算法从不完整数据中获取最大似然》，英国皇家统计学会杂志。B系列统计方法，1-38（1977）·Zbl 0364.62022号
[13] 埃巴达特，A。；Bottegal，G。；瓦拉尼奥洛，D。；Wahlberg，B。；Johansson，K.H.，《通过环境信号反褶积估算建筑占用水平》（Proc.ACM车间节能建筑嵌入式系统（2013），计算机协会（ACM））
[14] Everitt，N.、Rojas，C.R.和Hjalmarsson，H.（2013年）。级联系统方差分析的几何方法。在程序。IEEE连接决策。控制; Everitt，N.、Rojas，C.R.和Hjalmarsson，H.（2013年）。级联系统方差分析的几何方法。在程序。IEEE连接决策。控制
[15] 弗里戈拉，R。；Lindsten，F。；Schön，T.B。；Rasmussen，C.E.，《使用粒子随机近似EM识别高斯过程状态空间模型》，IFAC会议论文集，47，3，4097-4102（2014）
[16] Giri，F。；Bai，E.W.，面向块的非线性系统识别（2010），Springer·Zbl 1201.93004号
[17] 格雷布利基，W。；Pawlak，M.，使用核回归估计的离散Hammerstein系统的识别，IEEE自动控制汇刊，31，1，74-77（1986）·Zbl 0584.93066号
[18] Hagenblad，A。；Ljung，L。；Wills，A.，Wiener模型的最大似然识别，Automatica，44，11，2697-2705（2008）·Zbl 1152.93508号
[19] Hjalmarsson，H.，复杂和结构化系统的系统识别，《欧洲控制杂志》，15，3-4，275-310（2009）·Zbl 1298.93127号
[20] Kullback，S。；Leibler，R.A.，《信息与充分性》，《数理统计年鉴》，22，1，79-86（1951）·Zbl 0042.38403号
[21] Linder，J。；Enqvist，M.，《使用间接输入测量识别未知输入的系统》，《国际控制杂志》，90，4，729-745（2017）·Zbl 1366.93128号
[22] Ljung，L.，《系统识别，用户理论》（1999），普伦蒂斯·霍尔
[23] Ljung，L。；辛格，R。；张，Q。；Lindskog，P。；Iouditski，A.，《数学系统识别工具箱的发展》，国际会计师联合会会议记录卷，42，10，522-527（2009）
[24] Maritz，J.S。；Lwin，T.，经验贝叶斯方法（1989），查普曼和霍尔伦敦·兹比尔0731.62040
[25] 马可夫斯基，I。；Usevich，K.，缺失数据的结构化低阶近似，SIAM矩阵分析与应用杂志，34，2，814-830（2013）·Zbl 1271.93017号
[26] McCombie，D.B。；Reisner，A.T。；Asada，H.H.，Laguerre-模型盲系统识别：从多个外周循环信号估计心血管动力学，IEEE生物医学工程学报，52，11，1889-1901（2005）
[27] 麦克拉克伦，G。；Krishnan，T.，《EM算法和扩展》（第382卷）（2007年），John Wiley and Sons
[28] Moulines，E。；Duhamel，P。；Cardoso，J.F。；Mayrarge，S.，多通道FIR滤波器盲识别的子空间方法，IEEE信号处理汇刊，43，2，516-525（1995）
[29] Nakajima，N.，使用最大似然估计和迭代算法的盲反褶积，《光通信》，100，1-4，59-66（1993）
[30] Ohlsson，H.、Ratliff，L.J.、Dong，R.和Sastry，S.S.（2014）。通过提升进行盲板识别。在程序。IFAC世界会议; Ohlsson，H.、Ratliff，L.J.、Dong，R.和Sastry，S.S.（2014）。通过提升进行盲板识别。在程序。IFAC世界会议
[31] Pillonetto，G.和Chiuso，A.（2009年）。一种具有缺失数据的线性系统辨识的贝叶斯学习方法。在程序。IEEE连接决策。控制; Pillonetto，G.和Chiuso，A.（2009年）。一种用于具有缺失数据的线性系统识别的贝叶斯学习方法。在程序。IEEE连接决策。控制
[32] 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
[33] 拉斯穆森，C.E。；Williams，C.K.，《机器学习的高斯过程》（2006），麻省理工学院出版社·Zbl 1177.68165号
[34] Risuleo，R.S.，《具有输入不确定性的系统识别：基于EM内核的方法》（2016），KTH-皇家理工学院：KTH–瑞典斯德哥尔摩皇家理工大学，（执照论文）
[35] Risuleo，R.S.、Bottegal，G.和Hjalmarsson，H.（2015a）。一种基于核的Hammerstein系统辨识方法。在程序。IFAC交响乐团。《系统识别》（第48卷），第28期; Risuleo，R.S.、Bottegal，G.和Hjalmarsson，H.（2015a）。一种基于核的Hammerstein系统辨识方法。在程序。IFAC交响乐团。《系统识别》（第48卷），第28期·Zbl 1375.93133号
[36] Risuleo，R.S.、Bottegal，G.和Hjalmarsson，H.（2015b）。一种新的基于核的超参数Hammerstein系统辨识方法。在程序。IEEE会议决定。控制; Risuleo，R.S.、Bottegal，G.和Hjalmarsson，H.（2015b）。一种新的基于核的超参数Hammerstein系统辨识方法。在程序。IEEE会议决定。控制·兹比尔1375.93133
[37] Risuleo，R.S.、Bottegal，G.和Hjalmarsson，H.（2015年c）。基于核的系统辨识中初始条件的估计。在程序。IEEE连接决策。控制; Risuleo，R.S.、Bottegal，G.和Hjalmarsson，H.（2015年c）。基于核的系统辨识中初始条件的估计。在程序。IEEE连接决策。控制
[38] Risuleo，R.S。；Bottegal，G。；Hjalmarsson，H.，《从噪声和不完整的输入输出数据中进行基于内核的系统识别》（IEEE conf.decis.control（2016），电气与电子工程师学会（IEEE））
[39] Risuleo，R.S.、Molinari，M.、Bottegal，G.、Hjalmarsson，H.和Johansson，K.H.（2015）。基于数据的办公室建模基准：与二氧化碳动力学相关的挑战。在程序。IFAC研讨会。系统识别（第48卷），第28期; Risuleo，R.S.、Molinari，M.、Bottegal，G.、Hjalmarsson，H.和Johansson，K.H.（2015）。基于数据的办公室建模基准：与二氧化碳动力学相关的挑战。在程序。IFAC研讨会。系统识别（第48卷），第28期
[40] Söderström，T.（2003）。为什么变量中的错误问题往往很棘手？在程序。欧洲控制委员会。; Söderström，T.（2003）。为什么变量中的错误问题往往很棘手？在程序。欧洲控制委员会。
[42] Söderström，T.变量错误问题的系统识别。在程序。UKACC内部配置控制; Söderström，T.变量错误问题的系统识别。在程序。UKACC内部配置控制
[43] Svensson，A。；Schön，T.B.，用于学习非线性动力系统的柔性状态空间模型，Automatica，80，189-199（2017）·Zbl 1370.93300号
[44] Tong，L。；Perreau，S.，《多通道盲识别：从子空间到最大似然方法》，IEEE学报，1951-1968（1998）
[45] 瓦林，R。；Hansson，A.，在输出数据缺失和输入数据缺失的情况下线性SISO模型的最大似然估计，国际控制杂志，1-11（2014）·Zbl 1308.93234号
[46] Wang，J。；张，Q。；Ljung，L.，重温Hammerstein系统辨识的两阶段算法，（IEEE conf.decis.control（2009），IEEE）·兹比尔1180.93031
[47] 魏，G.C.G。；Tanner，M.A.，EM算法和穷人数据增强算法的蒙特卡罗实现，美国统计协会杂志，85，411，699-704（1990）
[48] Wills，A。；Schön，T.B。；Ljung，L。；Ninness，B.，Hammerstein Wiener模型的识别，Automatica，49，1，70-81（2013）·Zbl 1257.93109号
[49] Wu，C.F.J.，关于EM算法的收敛性，《统计年鉴》，11，1，95-103（1983）·Zbl 0517.62035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。