Neural Scaling Laws for Learning-based Identification of Nonlinear Systems
University of Wuppertal（伍珀塔尔大学）
研究通过验证神经缩放定律，探讨了在输入-状态-输出数据中使用不同评估指标和系统架构对机器学习模型性能的影响，以指导模型设计和数据采集。
2026-03-25 math.OC
Comments on "Design of momentum fractional LMS for Hammerstein nonlinear system identification with application to electrically stimulated muscle model"
本文的目的是讨论的收敛性分析的一些方面进行的文件[设计的动量分数LMS哈默斯坦非线性系统识别与应用电刺激肌肉模型，欧洲。Phys. J. Plus（2019）\textbf{134}：407]。值得强调的是，作者证明收敛的方式缺乏正确和有效的数学理由。
2021-03-20 cs.SY eess.SP eess.SY
A Hierarchical Attack Identification Method for Nonlinear Systems
许多自主控制系统经常受到攻击，因此攻击识别方法对于安全运行至关重要。为了保护子系统的隐私并实现大规模系统的可扩展性，识别算法不应该需要全局模型知识。我们分析了以前提出的方法分层攻击识别，这是嵌入在一个分布式控制设置系统的系统耦合非线性动力学。它是基于局部灵敏度信息的交换和稀疏信号恢复的想法。在本文中，我们证明了充分的条件下，该方法是保证识别所有组件受一些未知的攻击。即使被认为是一个一般类的非线性动态系统，我们严格的理论保证适用于实际相关的例子，这是由IEEE~30总线电力系统的数值实验强调。
2020-10-26 cs.SY eess.SY math.OC
A Sparse Bayesian Approach to the Identification of Nonlinear State-Space Systems
本技术说明考虑了具有加性过程噪声但没有测量噪声的非线性离散时间系统的识别。特别是，我们提出了一种方法及其相关算法来识别系统的非线性函数形式和它们的相关参数从有限数量的时间序列数据点。为此，我们把这个识别问题转化为一个稀疏的线性回归问题，并采用贝叶斯的观点来解决它。我们提出了一个凸化过程依赖于一个有效的迭代重新加权$\ell_1$ -最小化算法，使用一般稀疏诱导先验的系统参数和边际似然最大化。使用这种方法，我们还展示了如何凸约束的参数可以很容易地添加到我们提出的迭代重新加权$\ell_1$最小化算法。在补充材料\cite{appendix}中，我们说明了所提出的识别方法在生物学和物理学中的两个经典系统上的有效性，即遗传抑制子网络和大规模互连的Kuramoto振荡器网络。
2015-04-23 math.OC
Fault Detection and Identification - a Filter Investigation
本文基于解析余度的概念，提出了一种新的主动容错控制系统。新的设计包括一个基于观测滤波器的故障检测和识别系统集成的非线性模型预测控制器。设计了多个观测滤波器，将其与非线性控制器集成并在达到最终设计之前进行测试，该最终设计包括用于故障检测和识别的无迹卡尔曼滤波器以及非线性模型预测控制器，以形成主动容错控制系统设计。
2016-10-07 math.OC
Safe Control Design for Unknown Nonlinear Systems with Koopman-based Fixed-Time Identification
研究了一类非线性控制仿射系统在未知的、可加的、非线性扰动下的安全控制设计问题。利用最近的进展在应用Koopman算子理论领域的系统辨识识别和控制，我们引入了一种新的固定时间识别计划的无穷小生成器的无穷维，但特别是线性，Koopman动力系统类似的非线性系统的利益。也就是说，我们推导出一个参数自适应法，使我们能够恢复未知的，残留的非线性动态系统在有限的时间内独立的初始估计。然后，我们使用固定时间稳定性的属性，以获得作为时间的显式函数的残余向量场估计误差的误差界，这使我们能够使用基于控制障碍函数的方法来合成可证明安全的控制器。我们进行了一个四旋翼启发的案例研究，以支持我们提出的方法，在该方法中，我们表明，尽管未知的，非线性动力学，实现安全的轨迹跟踪。
2022-12-01 cs.SY eess.SY math.OC
Adaptive tracking MPC for nonlinear systems via online linear system identification
针对未知非线性系统控制问题，提出基于移动窗口在线线性辨识的自适应跟踪MPC方案，证明其最优可达平衡点的实际指数稳定性，仿真验证其性能优于基于基本引理的直接数据驱动MPC。
2024-05-16 cs.SY eess.SY math.OC
Constraint Identification and Algorithm Stabilization for Degenerate Nonlinear Programs
针对退化非线性规划，提出区分强弱积极约束的技术，并据此改进序列二次规划算法，在更弱假设下实现超线性收敛。
2000-12-20 cs.NA math.NA math.OC
On Data-Driven Model Identification for Nonlinear Optimal Control
TAMU（德克萨斯农工大学）
本文针对非线性最优控制中的数据驱动模型辨识，揭示高阶大域近似存在方差与病态性诅咒，并提出迭代辨识局部LTV模型结合ILQR的方法，可有效缓解问题并局部精确求解。
2026-09-22 cs.SY eess.SY math.OC
Controllability and data-driven identification of bipartite consensus on nonlinear signed networks
非线性网络系统在多智能体系统和社交网络等领域有着广泛的应用。在本文中，我们研究了几类非线性网络动力学的可控性，其基础图允许负权重。当底层图在结构上平衡时，这种带符号的网络表现出二分聚类。我们发现，结构平衡是诱导不可控的关键成分，结合领导节点对称性和某种类型的动力学对称性。然后，我们研究的问题，从数据中提取的二分结构，这样的图使用扩展的动态模式分解近似相应的Koopman算子。
2017-09-19 math.OC
A Sampling Theorem for Exact Identification of Continuous-time Nonlinear Dynamical Systems
低采样频率对从采样数据中准确识别连续时间（CT）动力系统提出了挑战，即使其模型是可识别的。提出了由Koopman算子建立的CT系统从采样数据中精确辨识的充分必要条件。该条件给出了精确辨识具有Koopman不变子空间的CT非线性动力系统的类Nyquist-Shannon临界频率：1）它建立了允许离散样本序列发现底层系统的采样频率的充分条件和2）它还建立了导致底层系统不可区分的系统混叠的采样频率的必要条件;以及3）原始CT信号不必如Nyquist-Shannon定理中所要求的那样被限带。理论判据已被证明在一些模拟的例子，包括线性系统，非线性系统的平衡，和极限环。
2022-04-29 cs.SY eess.SY math.DS
Active Learning for Nonlinear System Identification with Guarantees
University of California, Berkeley（加州大学伯克利分校）
虽然非线性动态系统的识别是基于模型的强化学习和反馈控制的基本构建块，但其样本复杂性仅适用于具有离散状态和动作的系统，或者可以从i.i.d.生成的数据中识别的系统。随机输入。尽管如此，许多有趣的动力系统具有连续的状态和动作，只能通过明智的输入选择来识别。受实际背景的启发，我们研究了一类非线性动力系统，其状态转移线性依赖于状态-动作对的已知特征嵌入。为了在有限时间内估计这样的系统，识别方法必须在特征空间中探索所有方向。我们提出了一种主动学习方法，通过重复三个步骤来实现这一目标：轨迹规划，轨迹跟踪和从所有可用数据重新估计系统。我们表明，我们的方法估计非线性动力系统的参数率，类似于标准的线性回归的统计率。
2020-06-18 cs.LG math.OC stat.ML
Finite Sample Identification of Analytic Nonlinear Systems
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Minnesota, Minneapolis（明尼苏达大学）
本文针对实解析特征函数的线性参数化非线性系统，证明非主动探索可实现其有限样本辨识，给出反例说明非实解析系统需主动探索，并通过数值实验验证理论结果。
2026-09-01 cs.SY eess.SY math.OC
A constrained optimization approach to nonlinear system identification through simulation error minimization
Politecnico di Torino（都灵理工大学）
本文提出了一种通过最小化仿真误差的约束优化方法，用于非线性系统辨识，提高了收敛速度和计算效率。
2025-12-16 cs.SY eess.SY math.OC
Identification of nonlinear controllers from data: theory and computation
Politecnico di Torino（都灵理工大学）
本文研究通过现有反馈控制系统实验数据设计非线性控制器的理论与计算方法。
2013-09-06 cs.SY eess.SY math.DS
Convex Parameterizations and Fidelity Bounds for Nonlinear Identification and Reduced-Order Modelling
Massachusetts Institute of Technology（麻省理工学院）；Australian Centre for Field Robotics（澳大利亚现场机器人中心）；University of Sydney（悉尼大学）
本文提出基于凸优化的非线性识别方法，通过拉格朗日松弛、耗散不等式和半正定规划解决模型不稳定和长期预测问题，应用于电子电路降阶和气动执行器识别。
2017-01-23 cs.LG cs.SY eess.SY
Non-asymptotic System Identification for Linear Systems with Nonlinear Policies
本文针对非线性或时变策略下线性系统的单轨迹辨识，给出最小二乘估计的非渐近误差界，推广了现有结果，并应用于安全鲁棒模型预测控制。
2023-06-17 cs.SY eess.SY math.OC
Koopman-based lifting techniques for nonlinear systems identification
University of Namur（南纳姆大学）；Luxembourg Centre for Systems Biomedicine, University of Luxembourg（卢森堡系统生物医学中心，卢森堡大学）
本文提出了一种基于Koopman算子框架的新型非线性系统辨识提升技术，通过在观测空间中识别线性（无限维）Koopman算子，而非在状态空间中识别非线性系统，从而实现了对非线性系统的线性辨识方法。该方法无需计算时间导数，适用于采样率较低的数据集，并通过两种数值方案（主方法和对偶方法）展示了其在不同有限维子空间近似中的应用。
2019-04-24 cs.SY eess.SY math.DS
Identification of Disturbed Control Systems
本文研究了非线性参数化控制系统的辨识问题。建立了几个可识别性准则，并提出了一种实用的算法，明确计算了收敛速度。
2019-08-20 math.OC
Sequential Monte Carlo Methods for System Identification
在识别非线性和可能的非高斯状态空间模型（SSM）的关键挑战之一是估计系统状态的棘手性。序贯蒙特卡罗（SMC）方法，例如粒子滤波器（二十多年前引入），为SSM中出现的非线性状态估计问题提供数值解。当与其他识别技术相结合时，这些算法为非线性系统识别问题提供了坚实的解决方案。我们描述了两个一般的战略，创造这样的组合，并讨论为什么SMC是一个自然的工具，实施这些战略。
2016-03-10 math.OC stat.CO stat.ML
Nonlinear port-Hamiltonian system identification from input-state-output data (ISO-pHNN)
Université Marie et Louis Pasteur, SUPMICROTECH, CNRS, institut FEMTO-ST（玛丽和路易·巴斯德大学、SUPMICROTECH、法国国家科学研究中心、FEMTO-ST研究所）；Institute for Mathematical Modeling, Analysis and Computational Mathematics, University of Wuppertal（伍珀塔尔大学数学建模、分析与计算数学研究所）
提出ISO-pHNN框架，用神经网络结合端口哈密顿结构辨识非线性端口哈密顿系统，探索多种架构，验证其精度不降低且先验信息可提升长期预测效果。
2026-08-24 cs.SY eess.SY math.DS
An L-BFGS-B approach for linear and nonlinear system identification under $\ell_1$ and group-Lasso regularization
IMT School for Advanced Studies（IMT高等研究院）
提出基于 L-BFGS-B 的线性与非线性状态空间辨识方法，支持 ℓ1、group-Lasso 及稳定性惩罚，在机器人 MIMO 基准上验证，并提供 jax-sysid 实现。
2024-12-03 cs.LG cs.SY eess.SY
Parameter Estimation of Nonlinearly Parameterized Regressions without Overparameterization nor Persistent Excitation: Application to System Identification and Adaptive Control
在本文中，我们提出了一个解决问题的非线性参数化回归-连续或离散时间-的参数估计，并将其应用于系统辨识和适应控制。我们限制我们的注意力参数化，可以分解为产品的两个功能，一个可测量的和一个非线性函数的参数估计。虽然在这种情况下，可以定义未知参数的扩展向量来获得线性回归，但众所周知，过度参数化具有一些严重的缺点。所提出的估计器的另一个特点是，参数的收敛性是确保没有持久性的激励假设。假设在坐标改变后，变换函数的一些元素满足单调性条件。所提出的估计器被应用于设计非线性参数化系统的标识符和自适应控制器。在连续时间，我们考虑了一般的一类非线性系统和欧拉-拉格朗日模型描述的，而在离散时间，我们应用的直接和间接的自适应极点配置的挑战性问题的方法。我们的方法的有效性说明了几个经典的例子，这是传统的处理使用overparameterization和假设persistence的激励。
2019-10-17 math.DS math.OC
Deep-Learning-Based Identification of LPV Models for Nonlinear Systems
线性变参数（LPV）框架提供了一个建模和控制设计工具链，通过线性代理模型来解决非线性（NL）系统行为。尽管LPV数据驱动建模的主要研究工作，目前的识别理论的一个关键的缺点是，往往调度变量被假定为一个给定的测量信号的数据集。在识别NL系统的LPV模型的情况下，描述与可测量调度信号的关系的调度图的选择被放在用户的肩上，只有有限的支持工具可用。然而，这种选择极大地影响了最终LPV模型的可用性和复杂性。本文提出了一种基于深度学习的方法，从输入输出数据中提供NL系统的调度映射和LPV状态空间模型的联合估计，并且在一般新息型噪声条件下具有一致性保证。它的效率证明了一个现实的识别问题。
2022-10-27 cs.SY eess.SY math.DS
Learning-informed parameter identification in nonlinear time-dependent PDEs
本研究提出一种偏微分方程一体化参数辨识方法，用神经网络逼近非线性项，同时辨识物理参数、状态与网络参数，通过两类算法实验验证了可行性。
2023-04-27 math.DS math.OC
Adaptive Control with Sparse Identification of Nonlinear Dynamics
University of Florida（佛罗里达大学）；Torch Technologies（托奇技术公司）
本文提出一种促进稀疏性的积分并发学习（SP-ICL）自适应律，用于线性参数化的不确定非线性控制仿射系统。通过结合滑模技术，利用ℓ1正则化实现参数稀疏学习，证明闭环系统轨迹最终有界。
2026-09-23 cs.SY eess.SY math.OC
Stable Nonlinear Identification From Noisy Repeated Experiments via Convex Optimization
University of Sydney（悉尼大学）；Massachusetts Institute of Technology（麻省理工学院）
提出利用凸优化拟合输入输出数据到稳定非线性动力学模型的方法，通过重复实验消除噪声影响，保证模型稳定性且无需对数据做假设。
2013-03-18 cs.SY eess.SY math.OC
"Class-Type" Identification-Based Internal Models in Multivariable Nonlinear Output Regulation
本文研究一类特殊的可由高增益反馈镇定的多变量非线性系统在“非平衡”条件下的输出调节问题。提出了一种适合于系统多变量特性的后处理内模设计，该系统可能具有比调节误差更多的输入。假设理想的稳态输入属于某类信号，通过这类信号，可以推导出内部模型的适当模型集，从而处理系统和外系统中的不确定性。内部模型的自适应机制，然后铸造作为一个识别问题，并专门开发了最小二乘解决方案。根据该领域的最新发展，从该文件中出现的愿景是，近似的，可能是渐进的，监管是在多变量和不确定的背景下处理问题的适当方式。新的见解使用的自适应内部模型的设计中的识别工具。
2020-04-21 cs.SY eess.SY math.OC
Nonlinear System Identification with Prior Knowledge of the Region of Attraction
研究了当平衡点的吸引域（ROA）上存在先验知识时的非线性系统辨识问题。我们提出了一种识别方法的形式的最优化问题，最大限度地减少拟合误差，并保证所需的稳定性。通过联合辨识系统的动态特性和验证系统稳定性的李雅普诺夫函数来解决该问题。在这种情况下，假设集是一个再生核希尔伯特空间，并且相对于ROA的给定子集的每个点，李雅普诺夫函数的李导数不等式施加了约束。该问题是一个具有无穷多个约束的非凸无穷维优化问题。为了获得一个易于处理的配方，只有一个适当设计的有限子集的约束被认为是。由此产生的问题承认一个解决方案的形式的线性组合的部分内核及其衍生物。推导了一个等价的具有二次费用函数的线性和双线性约束的最优化问题。适当的变量变量变换给出了该问题的凸变换形式。为了减少超参数的数量，最优化问题适用于对角核的情况。通过实例说明了该方法。
2020-03-27 cs.SY eess.SP eess.SY
Nonlinear Discrete-time System Identification without Persistence of Excitation: Finite-time Concurrent Learning Methods
KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
研究了离散非线性系统动态特性未知的有限时间学习问题，不要求激励持续性。提出了两种有限时间并行学习方法，利用当前数据和经验数据在线逼近离散非线性系统的不确定性，该方法满足一个易于检验的秩条件，与激励持续性条件相比，该秩条件的限制较小.对于所提出的有限时间并行学习方法，严格的证明保证有限时间收敛的估计参数的最优值的基础上离散时间李雅普诺夫分析。仿真结果表明，与现有文献相比，所提方法能够及时、准确地逼近不确定性。
2022-05-15 cs.LG cs.SY eess.SY
Efficient identification of linear, parameter-varying, and nonlinear systems with noise models
IMT School for Advanced Studies Lucca（IMT卢卡高等研究院）；Eindhoven University of Technology（埃因霍温理工大学）；HUN-REN Institute for Computer Science and Control（匈牙利科学院计算机科学与控制研究所（HUN-REN））
该研究提出通用系统辨识方法，可估计LTI、LPV、NL等状态空间动态模型及通用噪声模型，通过分离确定性过程与随机噪声部分调整模型复杂度，结合约束拟牛顿法和自动微分优化预测误差准则，实现秒级训练并在基准问题上表现更优。
2025-04-16 cs.LG cs.SY eess.SY
