张，李;李康;杜大军;李一欢;费敏瑞 非线性动态系统分数模型辨识的正则化快速递归算法。 （英语） Zbl 1520.93106号 国际J.系统。科学。，普林克。申请。系统。集成。 54，第7期，1616-1638（2023）. 摘要：分数模型已被广泛用于表示一系列工程系统。然而，准确识别分数模型是一项挑战，本文提出了一种规则化快速递归算法（RFRA）来识别真实分数模型结构和相关的未知模型参数。这首先通过将分数形式转换为非线性模型项的线性组合来实现。然后使用分母中的项在成本函数中形成调节项，以抵消线性变换引起的偏差。根据基于新成本函数的结构风险最小化原则，根据模型项对成本函数的贡献选择模型项，然后递归识别系数，无需显式求解逆矩阵。仿真结果验证了该方法在目标非线性系统真分数模型快速辨识中的有效性。 MSC公司： 93B30型 系统标识 93立方厘米 控制理论中的非线性系统 关键词：规则化;分数模型;规则化快速递归算法;非线性模型辨识 PDF格式BibTeX公司 XML格式引用 \textit{L.Zhang}等人，国际期刊系统。科学。，普林克。申请。系统。集成。54，第7号，1616--1638（2023；Zbl 1520.93106） 全文： 内政部 参考文献： [1] Andreev，M.和Borulko，V.（2017年）。微波元件的多项式和有理近似模型。2017年第二十一届国际电磁波和声波理论正问题和反问题研讨会（DIPED）（第256-259页）。电气与电子工程师协会。 [2] 奥斯汀，A.P。；克里希那穆尔蒂，M。；Leyffer，S。；Mrenna，S。；Mller，J。；Schulz，H.，多元有理逼近的实用算法，计算机物理通信，261（2021）·Zbl 1519.90247号 ·doi:10.1016/j.cpc.2020.107663 [3] Bai，E.-w。；李凯。；赵伟。；Xu，W.，基于核的局部非线性非参数变量选择方法，Automatica，50，1，100-113（2014）·Zbl 1298.93335号 ·doi:10.1016/j.automatica.2013.10.010 [4] 比林斯，S。；Mao，K.，使用遗传算法进行非线性有理模型的结构检测，国际系统科学杂志，29，3，223-231（1998）·doi:10.1080/00207729808929516 [5] 比林斯，S。；朱琦，用扩展最小二乘算法进行有理模型辨识，国际控制杂志，54，3，529-546（1991）·Zbl 0728.93084号 ·doi:10.1080/00207179108934174 [6] 比林斯，S。；朱琦，非线性动力有理模型的结构检测算法，国际控制杂志，59,61439-1463（1994）·Zbl 0825.93762号 ·doi:10.1080/00207179408923140 [7] Birpoutsoukis，G。；马可纳托，A。；拉泰尔，J。；Schoukens，J.，正则化非参数volterra核估计，Automatica，82，324-327（2017）·Zbl 1372.93189号 ·doi:10.1016/j.automatica.2017.04.014 [8] Castella，M。；佩斯克，J.-C。；Marmin，A.，带近似惩罚的非线性重建的理性优化，IEEE信号处理汇刊，67，6，1407-1417（2018）·兹比尔1414.90281 ·doi:10.1109/TSP.2018.2890065 [9] 陈，J。；刘，Y。；Zhu，Q.，双速率理性模型的偏差补偿递归算法，IET控制理论与应用，12，162184-2193（2018）·doi:10.1049/cth2.v12.16 [10] 陈，S。；Billings，S.A。；Luo，W.，正交最小二乘法及其在非线性系统辨识中的应用，国际控制杂志，50,1873-1896（1989）·Zbl 0686.93093号 ·网址：10.1080/00207178908953472 [11] 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，59，11，2933-2945（2014）·Zbl 1360.93720号 ·doi:10.1109/TAC.2014.2351851 [12] 窗帘，R。；Morris，K.，《分布参数系统的传递函数：教程》，Automatica，45，5，1101-1116（2009）·Zbl 1162.93300号 ·doi:10.1016/j.automatica.2009.01.008 [13] Deng，J.、Li，K.、Harkin-Jones，E.、Fei，M.和Li，S.（2013）。基于A-最优性准则的一种新的两阶段RBF神经模型构建算法。2013年第九届国际自然计算会议（ICNC）（第1-7页）。电气与电子工程师协会。 [14] Deng，J.、Li，K.和Irwin，G.W.（2010年）。RBF神经模型自动构建的两阶段算法。在Melecon 2010第15届IEEE地中海电工会议上（第166-171页）。电气与电子工程师协会。 [15] 邓，J。；李凯。；Irwin，G.W.，用于rbf网络中心选择的局部正则化两阶段学习算法，《国际系统科学杂志》，43，6，1157-1170（2012）·Zbl 1307.93372号 ·doi:10.1080/00207721.2010.545490 [16] 杜，D。；李，X。；费，M。；Irwin，G.W.，一种新的局部正则化rbf神经模型自动构造方法，神经计算，98，4-11（2012）·doi:10.1016/j.neucom.2011.05.045 [17] 杜，D。；朱，M。；李，X。；费，M。；Bu，S。；吴，L。；Li，K.，《网络物理电力系统中的网络安全分析、攻击检测和攻击防御方法综述》，《现代电力系统和清洁能源杂志》，即将出版（2022年）·doi:10.35833/MPCE.2021.000604 [18] 甘贝拉，C。；B.加达。；Naoum-Sawaya，J.，《机器学习的优化问题：一项调查》，《欧洲运筹学杂志》，290,3807-828（2021）·Zbl 1487.90004号 ·doi:10.1016/j.ejor.2020.08.045 [19] 霍夫曼，T。；Schölkopf，B。；Smola，A.J.，机器学习中的内核方法，《统计年鉴》，36，3，1171-1220（2008）·Zbl 1151.30007号 ·doi:10.1214/00905360000000677 [20] X.洪。；米切尔，R。；陈，S。；哈里斯，C。；李凯。；Irwin，G.，非线性系统识别的模型选择方法：综述，国际系统科学杂志，39，10925-946（2008）·Zbl 1233.93097号 ·doi:10.1080/0207720802083018 [21] Hussein，A.A.-h.和Batarseh，I.（2011年）。通用电池型号概述。2011年IEEE电力和能源协会大会（第1-6页）。电气与电子工程师协会。 [22] 金·R。；Weng，G.，一种基于预拟合偏差校正和优化模糊c均值算法的鲁棒活动轮廓模型，用于快速图像分割，神经计算，359，408-419（2019）·doi:10.1016/j.neucom.2019.06.019 [23] 坎巴帕蒂，C。；梅森，J。；Warwick，K.，非线性系统的稳定一步超前预测控制，Automatica，36,485-495（2000）·Zbl 0984.93040号 ·doi:10.1016/S0005-1098（99）00173-9 [24] Li，K.，Eng-genes:非线性动力学系统的新遗传建模方法，国际会计师联合会会议论文集，38，1，162-167（2005）·doi:10.3182/20050703-6-CZ-1902.01105 [25] 李凯。；Peng，J.-X.，神经输入选择——基于模型的快速方法，神经计算，70，4，762-769（2007）·doi:10.1016/j.neucom.2006.10.011 [26] 李凯。；彭建新。；Bai，E.-W.，非线性动力系统辨识的两阶段算法，Automatica，42，7，1189-1197（2006）·Zbl 1117.93314号 ·doi:10.1016/j.automatica.2006.03.004 [27] 李凯。；彭建新。；Irwin，G.W.，一种快速非线性模型识别方法，IEEE自动控制汇刊，50，8，1211-1216（2005）·Zbl 1365.93104号 ·doi:10.1109/TAC.2005.852557 [28] Liang，Z。；Zhang，L.，不确定数据分类中带ε不敏感弹球损失函数的支持向量机，神经计算，457117-127（2021）·doi:10.1016/j.neucom.2021.06.044 [29] 罗，X。；Chang，X。；Ban，X.，基于l1-范数和l2-范数的极端学习机回归和分类，神经计算，174179-186（2016）·doi:10.1016/j.neucom.2015.03.112 [30] Mall，R。；Suykens，J.A.K.，大规模数据的极稀疏LSSVM约简，IEEE神经网络和学习系统汇刊，26，5，1086-1097（2015）·doi:10.1109/TNNLS.2014.2333879 [31] 曼内拉，B。；Biess，A.，《偏见减少后见经验重演与虚拟目标优先化》，神经计算，451305-315（2021）·doi:10.1016/j.neucom.2021.02.090 [32] Münker，T。；Nelles，O.，用正则化局部fir模型网络进行非线性系统辨识，IFAC-PapersOnLine，49，5，61-66（2016）·doi:10.1016/j.ifacol.2016年7月20日 [33] Neji，Z.和Beji，F.-M.（2000年）。神经网络和时间序列的识别与预测。IEEE-INNS-ENNS国际神经网络联合会议论文集。IJCNN 2000。《神经计算：新千年的新挑战和展望》（第4卷，第461-466页）。电气与电子工程师协会。 [34] Nelles，O.，《非线性系统识别，从经典方法到神经网络、模糊模型和高斯过程》（2020），Springer·Zbl 1453.93001号 [35] Nielsen，M.（2019年）。神经网络和深度学习。检索自http://neuralnetworksanddeeplearning.com/chap2.html（在线图书）。 [36] Ohlsson，H。；Ljung，L。；Boyd，S.，使用形式和正则化分割arx模型，Automatica，46，6，1107-1111（2010）·Zbl 1191.93139号 ·doi:10.1016/j.automatica.2010.03.013 [37] Paduart，J。；劳尔斯，L。；Swevers，J。；阴燃者，K。；肖肯斯，J。；Pintelon，R.，使用多项式非线性状态空间模型识别非线性系统，Automatica，46，4，647-656（2010）·Zbl 1193.93089号 ·doi:10.1016/j.automatica.2010.01.001 [38] Piga，D。；Tóth，R.，具有输出误差型模型结构的非线性系统的偏差校正估计器，Automatica，50，9，2373-2380（2014）·Zbl 1297.93156号 ·doi:10.1016/j.automatica.2014.07.021 [39] Pillonetto，G.，《使用基于核的正则化进行系统识别：稳定性和一致性问题的新见解》，Automatica，93，321-332（2018）·兹比尔1400.93316 ·doi:10.1016/j.automatica.2018.03.065 [40] Pillonetto，G。；De Nicolao，G.，《基于内核的线性系统识别新方法》，Automatica，46，1，81-93（2010）·Zbl 1214.93116号 ·doi:10.1016/j.automatica.2009.10.031 [41] 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 ·doi:10.1016/j.automatica.2014.01.001 [42] 乔，J。；X孟。；Li，W.，用于非线性系统建模的基于增量神经活性的rbf神经网络，神经计算，302，1-11（2018）·doi:10.1016/j.neucom.2018.01.001 [43] Senhaji，K。；H.Ramchoun。；Ettaouil，M.，通过使用非光滑l1/2正则化的多目标优化模型训练前馈神经网络，神经计算，410，1-11（2020）·doi:10.1016/j.neucom.2020.05.066 [44] Singh，J.和Dhiman，G.（2021年）。机器学习方法综述：理论及其概念。今日材料：会议记录。提前在线发布。检索自https://www.sciencedirect.com/science/article/pii/S2214785321039298。 [45] Suykens，J.A.（美国）。；德布拉班特，J。；卢卡斯，L。；Vandwalle，J.，加权最小二乘支持向量机：鲁棒性和稀疏近似，神经计算，48，1，85-105（2002）·Zbl 1006.68799号 ·doi:10.1016/S0925-2312（01）00644-0 [46] Swarnakar，J.、Sarkar，P.、Dey，M.和Singh，L.J.（2017年12月）。分数阶系统在三角域的有理逼近是一种统一的方法。2017年IEEE地区10人道主义技术会议（R10-HTC）（第144-150页）。电气与电子工程师协会。 [47] 陶，J。；Wen，S。；Hu，W.，L1-形式局部线性表示正则化多源自适应学习，神经网络，69，80-98（2015）·Zbl 1394.68314号 ·doi:10.1016/j.neunet.2015.01.009 [48] Tikhonov，A.N。；Glasko，V.B.，在非线性问题中使用正则化方法，苏联计算数学和数学物理，5，3，93-107（1965）·Zbl 0189.49501号 ·doi:10.1016/0041-5553（65）90150-3 [49] 托雷斯-巴兰，A。；Alaíz，C.M。；Dorronsoro，J.R.，ν-svm约束套索和弹性网解，神经计算，2751921-1931（2018）·doi:10.1016/j.neucom.2017.10.029 [50] 瓦伦西亚，E.A。；lvarez，M.A.，使用自回归过程的希尔伯特空间嵌入进行短期时间序列预测，神经计算，266595-605（2017）·doi:10.1016/j.neucom.2017.05.067 [51] Waheeb，W.、Ghazali，R.和Shah，H.（2019年）。基于神经网络的非线性自回归滑动平均（NARMA）时间序列预测。2019年国际计算机和信息科学会议（ICCIS）（第1-5页）。电气与电子工程师协会。 [52] Wang，L。；刘杰。；钱，F.，基于多项式回归模型的风速频率分布建模和风能资源评估，国际电力和能源系统杂志，130（2021）·doi:10.1016/j.ijepes.2021.106964 [53] 杨，C。；朱，X。；乔，J。；Nie，K.，多项式回波状态网络的正向和反向输入变量选择，神经计算，398，83-94（2020）·doi:10.1016/j.neucom.2020.02.034 [54] 杨，Z。；穆尔谢德，M。；刘凯。；Xu，X。；Feng，S.，用于短期太阳能发电预测的新型竞争群优化rbf神经网络模型，神经计算，397415-421（2020）·doi:10.1016/j.neucom.2019.09.110 [55] Yildiz，B。；毕尔巴鄂，J。；Sproul，A.，《商业建筑电力负荷预测回归和机器学习模型的回顾与分析》，《可再生能源和可持续能源评论》，73，1104-1122（2017）·doi:10.1016/j.rser.2017.02.023 [56] Zhang，J.、Li，K.、Irwin，G.W.和Zhao，W.（2012）。基于快速子集选择的LS-SVM回归方法和稀疏实现。2012年第十届世界智能控制与自动化大会（WCICA）（第612-617页）。电气与电子工程师协会。 [57] 张，L。；李凯。；Bai，E.-W。；Irwin，G.W.，用于神经网络构建的两阶段正交最小二乘法，IEEE神经网络和学习系统汇刊，26，8，1608-1621（2015）·doi:10.1109/TNNLS.2014.2346399 [58] 张，L。；张，D。；Sun，J。；魏，G。；Bo，H.，局部和全局流形正则化支持向量机模型的显著目标检测，神经计算，340，42-54（2019）·doi:10.1016/j.neucom.2019.02.041 [59] 赵伟。；张杰。；Li，K.，一种基于ls-svm的高效模糊系统构建方法，IEEE模糊系统汇刊，23，3，627-643（2015）·doi:10.1109/TFUZZ.2014.2321594 [60] 朱强，估计非线性动态有理模型参数的反向传播算法，应用数学建模，27，3，169-187（2003）·Zbl 1033.93064号 ·doi:10.1016/S0307-904X（02）00097-5 [61] Zhu，Q.，非线性有理模型参数估计的隐式最小二乘算法，应用数学建模，29,7673-689（2005）·Zbl 1066.62070号 ·doi:10.1016/j.apm.2004.10.008 [62] 朱，Q。；Billings，S.，非线性随机模型和径向基函数神经网络的快速正交识别，国际控制杂志，64，5，871-886（1996）·Zbl 0858.93069号 ·doi:10.1080/00207179608921662 [63] 朱，Q。；Wang，Y。；赵，D。；李，S。；Billings，S.A.，《理性（总体）非线性动态系统建模、识别和控制综述》，《国际系统科学杂志》，46，12，2122-2133（2015）·Zbl 1332.93047号 ·doi:10.1080/00207721.2013.849774 [64] 朱，Q。；Yu，D。；赵，D.，用于非线性有理模型参数估计的增强线性卡尔曼滤波（enlkf）算法，国际系统科学杂志，48，3，451-461（2017）·Zbl 1358.93176号 ·doi:10.1080/00207721.2016.1186243 [65] 朱，Q。；张伟。；张杰。；Sun，B.，U神经网络增强的非线性动态系统控制，神经计算，352，12-21（2019）·doi:10.1016/j.neucom.2019.04.008 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。