通过凸优化从含噪重复实验中稳定非线性辨识
Stable Nonlinear Identification From Noisy Repeated Experiments via Convex Optimization
AI总结：
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。
摘要：
本文介绍了使用凸优化将输入输出数据拟合到一类稳定非线性动力学模型的新技术。我们提出了一种算法，当存在一组具有适当独立测量噪声的重复实验时，该算法保证该类模型的一致估计。无需对输入输出数据做任何假设，即可保证估计模型的稳定性。我们首先提出了一种从经验矩辨识稳定状态空间模型的凸优化方案。接下来，我们提供了一种利用重复实验消除噪声对这些矩和模型估计影响的方法。该技术在一个简单的仿真示例上得到了验证。
英文摘要：
This paper introduces new techniques for using convex optimization to fit input-output data to a class of stable nonlinear dynamical models. We present an algorithm that guarantees consistent estimates of models in this class when a small set of repeated experiments with suitably independent measurement noise is available. Stability of the estimated models is guaranteed without any assumptions on the input-output data. We first present a convex optimization scheme for identifying stable state-space models from empirical moments. Next, we provide a method for using repeated experiments to remove the effect of noise on these moment and model estimates. The technique is demonstrated on a simple simulated example.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
