Blind system identification using kernel-based methods
ACCESS Linnaeus Center, School of Electrical Engineering, KTH Royal Institute of Technology（林奈学术中心电气工程学院，瑞典皇家理工学院）
本文提出了一种盲系统辨识新方法，利用高斯回归框架将未知线性系统的冲击响应建模为高斯过程的实现，采用稳定的样条核结构并估计超参数和噪声方差，通过经验贝叶斯方法和改进的EM算法实现高效优化。
2016-05-19 cs.SY eess.SY stat.ML
A new kernel-based approach for overparameterized Hammerstein system identification
ACCESS Linnaeus Center, School of Electrical Engineering, KTH Royal Institute of Technology（ACCESS林奈中心，电气工程学院，瑞典皇家理工学院）
本文提出了一种新的Hammerstein系统辨识方案，通过过参数化向量估计非线性系数和线性系统脉冲响应，结合正则化核方法提升估计精度。
2016-05-18 cs.SY eess.SY stat.ML
On Kernel Design for Regularized Non-Causal System Identification
针对非因果系统辨识中的核设计难题，本文扩展系统理论框架提出 NCSI 核，分析其稳定性与半可分性，并通过仿真验证其优势。
2023-07-26 cs.SY eess.SY
Diagonally Square Root Integrable Kernels in System Identification
近年来，再生核希尔伯特空间（RKHS）理论在线性系统辨识中发挥了重要作用。RKHS的核心是表征其属性的相关内核。相应地，本文研究了对角平方根可积核。我们证明，各种著名的稳定内核引入系统辨识属于这一类。此外，它表明，任何DSRI核也是稳定的和可积的。我们期待与DSRI内核相关的RKHS的某些拓扑特征，特别是在各自的RKHS上定义的线性算子的连续性。对于以稳定脉冲响应为中心的高斯过程的稳定性，我们证明了其充分必要条件是相应核的对角平方根可积。此外，我们详细阐述了这一结果，提供适当的解释。
2023-02-24 cs.SY eess.SY math.OC
A novel Multiplicative Polynomial Kernel for Volterra series identification
Department of Information Engineering, University of Padova（信息工程系，帕多瓦大学）
本文提出了一种新的正则化网络用于Volterra模型的识别，通过引入由基本构建块乘积构成的新核，利用边际似然优化估计未知参数，实验表明该方法能更有效地选择影响系统输出的单项式，提升模型预测能力。
2019-11-12 cs.LG cs.SY eess.SY
On Robustness of Kernel-Based Regularized System Identification
提出了一种基于核的系统辨识方法。我们证明了有限冲激响应的正则化核基估计方法等价于一个鲁棒最小二乘问题，该问题具有一个由核矩阵定义的特定不确定集，因此，它被称为基于核的不确定集。我们提供了一个理论基础的鲁棒性的基于核的方法输入干扰。基于鲁棒正则化最小二乘方法，考虑了不同的系统辨识公式，其中一些公式采用了基于核的不确定性集。我们将这些方法应用于输入测量受到干扰的情况。随后，我们进行了广泛的数值实验，并比较结果，以检查在识别过程中利用基于核的不确定性集的影响。数值实验表明，基于核不确定集的鲁棒最小二乘辨识方法提高了估计对输入扰动的鲁棒性。
2021-05-26 cs.SY eess.SP eess.SY
Identification of contractive Lur'e-type systems via kernel-based Lipschitz design
Politecnico di Torino（都灵理工大学）；CNR-IEIIT（意大利国家研究委员会信息与电气工程技术研究所）；The Pennsylvania State University（宾夕法尼亚州立大学）；Kyushu University（九州大学）
本文提出基于核方法的Lur'e型系统收缩性识别框架，通过Lipschitz常数设计确保系统收缩性，提升参数估计精度和模型物理意义。
2025-11-28 cs.SY eess.SY
On kernel design for regularized LTI system identification
School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院）
本文提出从机器学习和系统理论角度设计核的方法，以嵌入LTI系统先验知识，优化核设计实现偏差-方差平衡。
2017-07-31 cs.SY eess.SY
The Stochastic Occupation Kernel Method for System Identification
Portland State University（波特兰州立大学）；Translational Genomics Research Institute（转化基因组学研究所）
针对随机微分方程的漂移与扩散项学习问题，提出基于占用核的两步法：先用占用核算法学习漂移项，再用半定规划学习扩散项平方，为随机系统非参数辨识提供新方法。
2024-06-21 cs.LG cs.SY eess.SY
The Existence and Uniqueness of Solutions for Kernel-Based System Identification
再生核希尔伯特空间（RKHS）的概念是近十年来在系统辨识中出现的。在由此产生的框架中，脉冲响应估计问题被制定为一个正则化的优化定义在一个无限维的RKHS组成的稳定的脉冲响应。随后的估计问题是很好地定义下的核心假设，限制到RKHS的卷积算子是连续的线性泛函。此外，根据这一假设，代表定理成立，因此，可以通过求解有限维程序来估计脉冲响应。因此，连续性特征在基于核的系统辨识中起着重要的作用。本文表明，这一中心假设是保证满足相当一般的情况下，即当内核是一个可积函数和输入信号有界。此外，优化问题的强凸性和卷积算子的连续性意味着基于核的系统辨识具有唯一解。因此，基于内核的系统辨识是一种定义明确的方法。
2022-04-17 cs.SY eess.SP eess.SY
A linear algorithm for the identification of a weakly singular relaxation kernel using two boundary measurements
University of Alaska, Fairbanks（阿拉斯加大学费尔班克斯分校）；Politecnico di Torino（都灵理工大学）
本文提出通过两个边界测量来识别弱奇异松弛核，将问题转化为线性反卷积问题，适用于具有记忆特性的扩散过程和粘弹性研究。
2016-09-26 cs.SY eess.SY math.OC
Kernel-based system identification from noisy and incomplete input-output data
ACCESS Linnaeus Center, School of Electrical Engineering, KTH Royal Institute of Technology（ACCESS林奈中心，电气工程学院，皇家理工学院）
本文提出一种基于核的方法，用于从噪声和不完整输入输出数据集中识别线性系统，通过高斯过程建模系统脉冲响应，并采用经验贝叶斯方法估计脉冲响应的后验分布，通过最大化输入输出测量的联合边缘似然来估计噪声、缺失数据和核超参数。
2016-05-12 cs.SY eess.SY
A kernel-based approach to physics-informed nonlinear system identification
本文提出一种基于核的物理信息非线性系统辨识框架，通过同时辨识参数化物理模型与核函数以平衡可解释性和未建模动态，在基准系统上实现仿真误差降低51%和性能提升31%。
2025-10-17 cs.SY eess.SY
Robust Nonlinear System Identification in Reproducing Kernel Hilbert Spaces via Scenario Optimization
Hamburg University of Technology（汉堡工业大学）；Deutsches Elektronen-Synchrotron (DESY)（德国电子同步加速器）
本文提出利用再生核希尔伯特空间构建非线性系统的一步预测管方法，通过n宽度和贪心算法近似有限维子空间，推导出基大小与核光滑度和输入维度的关系，实现无需先验界即可获得预测器的违反保证。
2026-04-07 cs.SY eess.SY
A kernel-based approach to Hammerstein system identification
ACCESS Linnaeus Centre, School of Electrical Engineering, KTH Royal Institute of Technology（林奈中心电气工程学院，皇家理工学院）
本文提出了一种基于贝叶斯方法的Hammerstein系统辨识新算法，通过稳定样条核建模线性动态系统的冲击响应，并采用经验贝叶斯方法识别静态非线性部分，实验表明其性能优于传统方法。
2016-05-19 cs.SY eess.SY
On Kernel Design for Regularized Volterra Series Identification of Wiener-Hammerstein Systems
针对Wiener-Hammerstein系统，本文提出利用系统结构设计非零非对角块的Volterra核，实现$O(N^3)$复杂度，并利用可分离性降至$O(Nγ^2)$，通过仿真验证。
2025-05-27 cs.SY eess.SY
Kernel-based Impulse Response Identification with Side-Information on Steady-State Gain
本文研究了当系统的稳态（或直流）增益存在边信息时的系统辨识问题。我们制定了一个一般的非参数识别方法作为一个无限维约束凸规划的再生核希尔伯特空间（RKHS）的稳定脉冲响应。该优化问题的目标函数是用RKHS范数正则化的经验损失，并考虑约束以强制集成稳态增益边信息。所提出的配方解决离散时间和连续时间的情况下。我们表明，该计划有一个唯一的解决方案，通过解决一个等价的有限维凸优化。当经验损失和正则化函数为二次函数且考虑精确边信息时，该解具有封闭形式。我们进行了广泛的数值比较，以验证所提出的识别方法的效率。
2022-11-06 cs.SY eess.SY math.OC
A Kernel-Based Identification Approach to LPV Feedforward: With Application to Motion Systems
本文提出一种基于核的辨识方法，通过基函数参数化并直接从数据中辨识LPV运动系统的动态调度前馈控制器，解决了参数依赖问题，并在示例中验证了其准确性。
2023-04-06 cs.SY eess.SY
Kernels for linear time invariant system identification
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文通过再生核希尔伯特空间中的正则化方法，利用输入信号和含噪输出观测数据辨识线性时不变系统的脉冲响应，构建并表征了包含稳定性、相对阶、无振荡、平滑性或延迟等系统特性的核函数族，并讨论了通过核学习技术自动搜索这些类别的可能性。
2013-07-01 cs.SY eess.SY
Kernel-Based Identification of Local Limit Cycle Dynamics with Linear Periodically Parameter-Varying Models
极限环振荡是发生在非线性动力系统中的一种现象，其特征是周期性的、局部稳定的和自维持的状态轨迹。沿着周期性轨迹在闭环中控制的系统也可以被建模为经历极限环行为的系统。这项工作的目标是从数据中识别，使用线性周期性参数变化模型的极限环周围的局部动态。利用横截曲面上的坐标变换，将动力学分解为两部分：一部分沿极限环，另一部分在横截曲面上。然后，该模型被确定从轨迹数据使用基于核的方法与周期性的核设计。基于核的模型进行了扩展，也占系统参数与不同的操作条件下的变化。所提出的识别方法的性能表现在一个基准非线性系统和一个简化的空中风能模型。与解析线性化方法相比，该方法提供了精确的模型参数估计，并具有良好的预测能力。
2022-08-31 cs.SY eess.SY
Learning linear modules in a dynamic network using regularized kernel-based methods
为了识别互连动态网络中的一个系统（模块），通常必须解决多输入单输出（MISO）识别问题，该问题需要识别MISO设置中的所有模块。对于参数识别方法的应用，这将需要估计大量的参数，以及针对可能的大规模MISO问题的适当的模型阶数选择步骤，从而将识别算法的计算复杂度增加到超出可行性的水平。另一种识别方法，采用正则化的基于核的方法。保持一个参数模型的模块的兴趣，我们的零均值高斯过程（GP）的协方差矩阵（内核）的MISO结构中的剩余模块的脉冲响应建模（内核）由一阶稳定样条内核，占噪声模型影响的输出的目标模块，也可能不稳定的系统在MISO设置。使用经验贝叶斯（EB）方法，通过期望最大化（EM）算法来估计目标模块参数，该算法具有大幅降低的计算复杂性，同时避免了广泛的模型结构选择。数值模拟说明了所介绍的方法的潜力相比，与国家的最先进的局部模块识别技术。
2021-01-26 cs.SY eess.SY
Kernel-Based Regularized Continuous-Time System Identification from Sampled Data
针对采样数据下连续时间系统辨识问题，本文证明在零阶保持或带限输入下 KRM 估计量具有闭式解，并通过蒙特卡洛实验验证其更鲁棒且小样本更准确。
2024-10-27 cs.SY eess.SY
Stable spline identification of linear systems under missing data
最近提出了一种不同的识别时不变线性系统的方法，该方法不需要确定特定的参数模型结构。脉冲响应在非参数贝叶斯框架中被描述为零均值高斯过程。它们的协方差由所谓的稳定样条核给出，该样条核编码有关规则性和BIBO稳定性的信息。在本文中，我们证明，这些内核也导致一个新的家庭的径向基函数内核适合模型系统组件的干扰过滤白噪声。这个新的类，与稳定的样条核，铺平了道路，以一种新的方法来解决丢失的数据问题，在离散和连续时间设置。数值实验表明，新技术可以返回比标准参数预测误差方法获得的模型更具预测性，而且当后者利用完整的数据集时。
2020-05-14 cs.SY eess.SY
System Identification Beyond the Nyquist Frequency: A Kernel-Regularized Approach
针对仅能获取慢速率输出的系统，本文提出一种核正则化的快速率模型辨识方法，突破奈奎斯特频率限制，单次实验即可准确辨识任意阶快速率模型，经仿真和晶圆台实验验证有效。
2025-06-17 cs.SY eess.SY
Kernel-based identification using Lebesgue-sampled data
本文针对勒贝格采样下的连续时间系统辨识问题，提出基于核方法的非参数估计器，通过处理事件时间戳间的有界输出不确定性，实现比等距采样核方法更准确的模型和更高效的采样。
2024-02-23 cs.SY eess.SY
Regularized linear system identification using atomic, nuclear and kernel-based norms: the role of the stability constraint
Department of Computer Engineering and Systems Science, University of Pavia, Pavia, Italy（计算机工程与系统科学系，帕维亚大学，帕维亚，意大利）
本文比较了不同正则化方法在系统识别中的表现，发现稳定样条核在稳定性和平滑性方面表现更优，提出了新的正则化方法。
2015-07-02 cs.LG cs.SY eess.SY
Graph Learning from Filtered Signals: Graph System and Diffusion Kernel Identification
Department of Electrical Engineering, University of Southern California（电气工程系，南加州大学）
本文提出一种新的图信号处理框架，用于从滤波信号类中构建图模型。通过将图建模问题转化为图系统识别问题，学习加权图（图拉普拉斯矩阵）和图滤波器（图拉普拉斯矩阵函数）。算法能从多信号观测中联合识别图和图滤波器，适用于学习扩散核，并在真实气候数据集上验证了其有效性。
2018-03-07 cs.LG cs.SY eess.SY
Modeling Parallel Wiener-Hammerstein Systems Using Tensor Decomposition of Volterra Kernels
Vrije Universiteit Brussel（布鲁塞尔自由大学）；University of Calgary（卡尔加里大学）
本文提出通过张量分解Volterra核来识别并行Wiener-Hammerstein系统，利用块结构特性提升建模精度，在噪声环境下实现准确重构。
2016-09-26 cs.NA cs.SY eess.SY
Kernel-Based Identification with Frequency Domain Side-Information
本文讨论了当系统具有频域边信息时的系统辨识问题。最初，我们考虑的情况下，先验知识提供的$\Hcal_{\infty}$规范的系统有界的一个给定的标量。该框架提供了考虑各种形式的边信息（诸如系统的耗散性）以及其他形式的频域先验知识的机会。提出了一种在给定边信息下估计系统冲激响应的非参数辨识方法。该估计问题被表示为再生核希尔伯特空间（RKHS）中的优化问题，该空间具有稳定核。相应的目标函数由用于最小化拟合误差的项和基于所采用的RKHS中的冲激响应的范数定义的正则化项组成。为了保证基于先验知识定义的期望的频域特征，对估计问题施加适当的约束。由此产生的优化具有无限维的可行集，具有无限数量的约束。我们表明，这个问题是一个定义良好的凸规划的唯一解决方案。我们提出了一个启发式，紧密接近这个独特的解决方案。该方法等价于求解有限维凸二次约束二次规划问题。数值算例验证了所讨论方法的有效性。
2022-11-06 cs.SY eess.SP eess.SY
Tensor Network Kernel Machines: A JAX Framework for Machine Learning and Nonlinear System Identification
Delft Center for Systems and Control, TU Delft（代尔夫特理工大学德尔夫特系统与控制中心）
本研究开发了基于JAX的开源Python库“tnkm”，用于构建训练张量网络核机模型，该模型在非线性基准问题上兼具高预测精度与高效性，可支撑相关学习方法的可复现开发应用。
2026-08-10 cs.LG cs.MS cs.SY
The interplay between system identification and machine learning
Department of Information Engineering, University of Padova, Padova, Italy（帕多瓦大学信息工程系，帕多瓦，意大利）
本文探讨系统辨识与机器学习的联系，提出动态系统RKHS框架，简化稳定性条件推导，并证明正则化估计器收敛于最优预测。
2016-12-29 cs.LG cs.SY eess.SY
An algorithm for distributed time delay identification based on a mixed Erlang kernel approximation and the linear chain trick
提出一种仅依赖 ODE 仿真的 DDE 分布式延迟识别算法，通过混合 Erlang 核近似、LCT 转换和单步打靶最小二乘估计参数，并在 logistic 方程与熔盐反应堆模型中验证。
2024-05-12 cs.SY eess.SY math.DS
Structured Koopman Lifted Finite Memory Identification via Truncated Grunwald Letnikov Kernels
University of California, Davis（加州大学戴维斯分校）
本文提出一种数据驱动的线性建模框架，结合Koopman提升与截断Grünwald-Letnikov记忆项，通过提升的可观测表示建模非线性状态依赖，并通过固定分数差权重在提升坐标中直接施加历史依赖，从而获得记忆补偿回归，扩展了标准Koopman识别方法。
2026-10-07 cs.SY eess.SY math.OC
Hawkes Identification with a Prescribed Causal Basis: Closed-Form Estimators and Asymptotics
the University of Melbourne（墨尔本大学）
本文提出了一种闭式最小二乘方法用于Hawkes过程的识别，提供了在正确和失配情况下的渐近理论分析。
2026-02-24 cs.SY eess.SY stat.ME
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
Regularized system identification using orthonormal basis functions
Linköping University（林雪平大学）
本文探讨了使用更紧凑的正交基函数进行正则化系统识别的可能性，通过构造再生核希尔伯特空间和扩展正则化方法，证明前者是后者的特殊情况，等同于正交基函数系数的岭回归。
2015-04-11 cs.SY eess.SY
On Input Design for Regularized LTI System Identification: Power-constrained Input
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文针对基于核的正则化方法在LTI系统辨识中的输入设计问题，采用贝叶斯视角，提出两步方法解决功率约束下的输入设计优化问题。
2017-08-18 cs.SY eess.SY
Regularized Identification with Internal Positivity Side-Information
在本文中，我们提出了一个脉冲响应识别方案，结合了系统的内部正边信息。正系统的实现理论为给定传递函数的正实现的存在性建立了具体的准则。这些传递函数的标准被翻译成一组适当的条件的形状和结构的脉冲响应的正系统。利用这些条件，冲激响应估计问题被配制成一个约束优化的再生核希尔伯特空间配备了一个稳定的内核，并施加适当的约束来编码的内部积极的边信息。优化问题是具有无限数量约束的无限维问题。导出了一个等价的凸二次规划形式的有限维凸优化问题。由此产生的等效重新制定所提出的方法适合于数值模拟和实际实施。蒙特卡罗数值实验评估的影响，将内部积极的边信息在建议的识别方案。该方法的有效性证明了使用数据从供热系统的实验。
2021-10-31 cs.SY eess.SY math.OC
Recursive identification with regularization and on-line hyperparameters estimation
该研究提出一种带正则化的递推辨识算法，可同时在线估计模型参数与算法超参数，设计新核函数支撑算法构建，仿真验证显示其性能可与递推最小二乘算法对比。
2024-05-13 cs.SY eess.SY math.OC
Volterra black-box models identification methods: direct collocation vs least squares
本文针对Volterra核辨识中最小二乘法对离群值敏感、多重共线性及大数据低效等问题，提出基于直接配点法的替代方法，并通过两个模型示例验证其在含显著测量误差情况下优于传统最小二乘法。
2023-10-30 cs.NA cs.SY eess.SY
Continuous-time DC kernel --- a stable generalized first-order spline kernel
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Linköping University（林雪平大学）
本文通过稳定坐标变换推导出连续时间DC核，将其解释为稳定的广义一阶样条核，揭示其性质并推导出新的正交基展开和RKHS范数表达。
2017-10-11 cs.SY eess.SY
A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification
University of Padova（帕多瓦大学）；Mitsubishi Electric Research Lab (MERL)（三菱电机研究实验室）
针对机械臂逆动力学辨识，本文提出基于 GP 回归和新型 LIP 核的黑箱估计器，通过能量建模与多项式结构先验提升精度、通用性和数据效率。
2024-09-06 cs.AI cs.LG cs.RO
An empirical Bayes approach to identification of modules in dynamic networks
KTH（皇家理工学院）
本文提出一种经验贝叶斯方法，用于动态网络中特定模块的识别，通过构建无环网络两阶段模型，结合稳定样条核进行参数估计，并扩展至下游测量。
2017-05-03 cs.SY eess.SY
Maximum entropy properties of discrete-time first-order stable spline kernel
University of Cambridge（剑桥大学）；University of Padova（帕多瓦大学）
本文研究了用于正则化系统辨识的一阶稳定样条核的最大熵性质，推导了其在无高斯和均匀采样假设下的精确最大熵问题，并揭示了其逆矩阵的三对角结构。
2015-04-13 cs.SY eess.SY
Deep networks for system identification: a Survey
University of Padova（帕多瓦大学）；University of Washington（华盛顿大学）
深度学习是当前相当感兴趣的话题。大量的数据汇集和强大的软件资源的可用性，导致了令人印象深刻的结果在许多应用领域，揭示了基本的，但隐藏的属性的观察。系统辨识从输入输出数据中学习动态系统的数学描述，因此可以受益于深度神经网络的进步，以丰富可供选择的模型的可能范围。出于这个原因，我们从系统辨识的角度对深度学习进行了概述。我们涵盖了广泛的主题，使研究人员能够了解这些方法，为使用它们的好处和挑战提供严格的实践和理论见解。识别模型的主要目的是根据以前的观测结果预测新的数据。这可以通过不同的基于深度学习的建模技术来实现，我们讨论了文献中常用的架构，如前馈，卷积和递归网络。它们的参数必须根据过去的数据来估计，以优化预测性能。为了这个目的，我们讨论了一组特定的一阶优化工具，是作为有效的。然后，该调查与基于内核的方法的研究领域建立了联系。它们通过正则化项来控制数据拟合，这些正则化项会惩罚不符合先前假设的模型。我们说明了如何在深层架构中转换它们以获得基于内核的深层方法。深度学习的成功也带来了令人惊讶的经验观察，比如具有许多参数的模型的反直觉行为。我们讨论过参数化模型的作用，包括它们与内核的连接，以及影响泛化的隐式正则化机制，特别是良性过拟合的有趣现象。
2023-01-30 cs.LG cs.SY eess.SY
Sparse dynamical system identification with simultaneous structural parameters and initial condition estimation
稀疏非线性动力学识别（SINDy）已被证明可以成功地从数据中恢复控制方程;然而，这种方法假设初始条件是预先精确已知的，并且对噪声敏感。在这项工作中，我们提出了一个积分SINDy（ISINDy）的方法，同时识别模型结构和参数的非线性常微分方程（ODE）从噪声的时间序列观测。首先，状态估计通过惩罚样条平滑，然后代入积分形式的数值离散求解器，导致一个伪线性回归。通过序贯阈值最小二乘法从超定的候选特征集中提取最少的有效项，从而同时估计结构参数和初始条件，同时使所识别的动力学具有简约性和可解释性.仿真详细说明了该方法的恢复精度和对噪声的鲁棒性。例子包括逻辑方程、洛克特-沃尔泰拉系统和洛伦兹系统。
2022-10-31 cs.SY eess.SY math.DS
Safe Approximate Dynamic Programming Via Kernelized Lipschitz Estimation
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Purdue University（普渡大学）；Georgia Institute of Technology（佐治亚理工学院）
我们开发了一种方法，通过近似动态规划（ADP）技术获得安全的初始策略，用于强化学习的不确定系统与离散时间动态演化。我们采用核化Lipschitz估计和半定规划计算可容许的初始控制策略，可证明的高概率。这样的容许控制器，使安全的初始化和约束的强制执行，同时提供指数稳定的闭环系统的平衡。
2019-07-03 cs.LG cs.SY eess.SY
