D-Optimized Sampling Design for System Identification
Eindhoven University of Technology(埃因霍温理工大学)
本文提出非参数频率响应函数估计器,设计非均匀采样方案以提升非周期多正弦激励下的系统辨识精度。
2026-05-13 cs.SY eess.SY math.OC
Structure Identification of NDS with Descriptor Subsystems under Asynchronous, Non-Uniform, and Slow-Rate Sampling
Tsinghua University(清华大学)
本文提出了一种适用于异步、非均匀和低速率采样的网络动态系统结构识别方法,通过双阶段估计框架实现对描述子子系统互连结构的准确恢复。
2026-02-04 cs.SY eess.SY
p-norm-like Constraint Leaky LMS Algorithm for Sparse System Identification
Southeast University(东南大学)
本文提出一种基于p-范数约束的泄漏LMS算法,用于稀疏系统识别,通过在成本函数中引入p-范数惩罚项,提升权重更新的收缩效果,从而在噪声输入下改善稀疏系统识别性能。
2015-03-03 cs.SY eess.SY
Error Gradient-based Variable-Lp Norm Constraint LMS Algorithm for Sparse System Identification
School of CSE, Southeast University(东南大学计算机科学与工程学院);Department of EEE, South University of Science and Technology of China(南方科技大学电子电气工程系)
本文提出一种变量p-范数约束LMS算法,通过梯度下降法调整参数p,提升稀疏系统识别的稳态误差和收敛速度。
2015-09-26 cs.SY eess.SY
Sampling in Parametric and Nonparametric System Identification: Aliasing, Input Conditions, and Consistency
针对慢采样连续时间系统,本文分析参数化与非参数化辨识估计量,给出 Nyquist 频率外频率响应函数无偏估计的充要条件,并证明混叠重叠下参数估计仍可一致。
2024-10-25 cs.SY eess.SY
Physically Consistent SINDy (Sparse Identification of Nonlinear Dynamics) for Microgrid Identification and Real-Time Frequency Control
该研究提出PC-SINDYc框架,结合物理引导库构造等技术辨识微电网频率动态,集成MPC实现实时频率控制,仿真显示其控制性能优于PI控制器等方法。
2026-08-04 cs.SY eess.SY
Sparse Identification of Nonlinear Dynamics with Side Information (SINDy-SI)
本文提出 SINDy-SI 方法,结合平方和规划与侧信息约束,迭代修剪基函数以学习满足物理定律且在训练集外泛化良好的稀疏非线性动力学模型。
2023-11-24 cs.SY eess.SY
An Online Data-Driven Method to Locate Forced Oscillation Sources from Power Plants Based on Sparse Identification of Nonlinear Dynamics (SINDy)
强迫振荡可能危及电力系统的安全运行。为了减轻强迫振荡,定位源是至关重要的。本文利用非线性动力学稀疏辨识(SINDy)技术,提出了一种纯数据驱动的强迫振动在线定位方法。在IEEE Task Force测试用例库中的所有仿真用例(WECC 179节点系统)和实际振荡事件(ISO新英格兰系统)中进行了验证,结果表明,所提出的算法不需要模型信息,在大多数情况下,即使在谐振条件下和固有模态阻尼差时,也能准确定位源。小的调整要求和低的计算成本,使所提出的方法可行的在线应用。
2022-07-12 cs.SY eess.SY
Combining Off-White and Sparse Black Models in Multi-step Physics-based Systems Identification -- EXTENDED VERSION
本文提出融合物理原理与 black-box 基函数的可解释非线性系统辨识框架,通过惩罚项保证稳定性与物理一致性,并给出参数误差、梯度稳定及稀疏恢复理论保证。
2024-08-06 cs.SY eess.SY
Distributed Sparse Identification for Stochastic Dynamic Systems under Cooperative Non-Persistent Excitation Condition
研究了无线传感器网络中的分布式稀疏辨识问题,即所有传感器利用邻居节点的局部信息协同估计随机动态系统的未知稀疏参数向量。提出了一种分布式稀疏最小二乘算法,该算法通过最小化局部信息准则,将局部信息准则表示为累积局部估计误差和L1正则项的线性组合。给出了该算法自适应预测器的估计误差和估计误差的上界。此外,通过基于局部观测数据设计合适的自适应加权系数,得到了在合作非持续激励条件下,有限观测数下零元的集合收敛性.结果表明,所提出的分布式算法可以很好地工作在一个合作的方式,即使没有一个单独的传感器可以完成估计任务。我们的理论结果是在不依赖于回归信号的独立性假设,已在现有文献中常用的。因此,我们的结果有望应用于随机反馈系统。最后,通过数值模拟验证了理论结果的有效性.
2022-03-05 cs.SY eess.SY
Sparse Broad Learning System via Sequential Threshold Least-Squares for Nonlinear System Identification under Noise
School of Astronautics Harbin Institute of Technology(航天学院 哈尔滨工业大学)
本文提出基于序列阈值最小二乘的稀疏广学习系统,用于在噪声环境下提高非线性系统识别的鲁棒性。
2025-11-22 cs.SY eess.SY
Recursive Algorithms for Sparse Parameter Identification of Multivariate Stochastic Systems with Non-stationary Observations
针对数据顺序到达时经典稀疏参数辨识方法不适用在线推断的问题,提出基于加权 $L_1$ 正则化与交替优化的递归算法,并在非平稳条件下证明了其集合与参数收敛性。
2025-05-02 cs.SY eess.SY
Sparse plus low-rank identification for dynamical latent-variable graphical AR models
针对带动态潜变量的图自回归模型辨识问题,结合观测变量稀疏交互与潜变量模型低秩特性,构建稀疏加低秩优化问题并通过迹近似等方法求解,再恢复潜变量动态,仿真验证了方法有效性。
2023-07-21 cs.SY eess.SY stat.ME
Sparse System Identification for Stochastic Feedback Control Systems
针对当前输入可能依赖于过去的输入和输出、系统噪声以及外生抖动的随机动态系统,提出了在反馈控制下重构稀疏参数向量的零元和非零元的方法。首先,提出了一种基于L2范数和L1正则化的稀疏参数辨识算法,其中L1项的优化变量采用自适应权值。其次,算法产生的估计集和参数收敛。也就是说,参数中的零元素和非零元素的集合可以使用有限数量的观测值以概率1正确识别,并且非零元素的估计几乎肯定会收敛到真值。第三,它表明,结果是适用于大量的应用,包括变量选择,开环识别,和随机系统的闭环控制。最后,给出了数值算例来支持理论分析.
2019-09-03 cs.SY eess.SY math.OC
On Identification of Sparse Multivariable ARX Model: A Sparse Bayesian Learning Approach
University of Cambridge(剑桥大学);Huazhong University of Science and Technology(华中科技大学);Cardwell Investment Tech(卡德韦尔投资科技公司);UC Berkeley(加州大学伯克利分校)
本文提出一种基于稀疏贝叶斯学习的方法,用于识别稀疏多变量ARX模型的布尔结构和节点间动态,无需先验知识,通过最大后验估计结合复杂性和组稀疏性惩罚。
2016-09-30 cs.LG cs.SY eess.SY
Error Processing of Sparse Identification of Nonlinear Dynamical Systems via $L_\infty$ Approximation
通过引入$L_\infty$逼近代替原$L_2$逼近,研究了非线性动力系统稀疏辨识(SINDy)的误差处理问题。其动机是$L_\infty$近似可以更好地描述SINDy中的误差现象,该误差现象由导数近似误差和测量噪声组成。然后,提出了一种迭代阈值算法来解决重新定义的问题。在实验中考虑了3种可能的错误场景。结果表明,在不同的误差情况下,$L_\infty$近似的性能优于或至少等于$L_2$近似。因此,在SINDy的应用中考虑$L_\infty$近似是合理的。
2022-05-06 cs.SY eess.SY nlin.CD
Block Sparse Memory Improved Proportionate Affine Projection Sign Algorithm
本文提出了一种改进的块稀疏比例仿射投影符号算法,用于在冲击噪声下的块稀疏系统辨识,提升了鲁棒性和效率。
2015-10-17 cs.SD cs.SY eess.SY
Sparse Kalman Identification for Partially Observable Systems via Adaptive Bayesian Learning
School of Astronautics(航天学院)
本文提出一种基于自适应贝叶斯学习的在线稀疏卡尔曼识别方法,用于部分可观测系统的高效模型识别与结构选择。
2025-11-22 cs.LG cs.SY eess.SY
Sparse Bayesian Deep Learning for Dynamic System Identification
Delft University of Technology(代尔夫特理工大学);Western Sydney University(西悉尼大学);The University of Manchester(曼彻斯特大学)
本文提出了一种用于系统辨识的深度神经网络(DNN)的稀疏贝叶斯处理。虽然DNN在各个领域都表现出令人印象深刻的逼近能力,但系统辨识问题仍然存在一些挑战。首先,DNN太复杂,很容易过拟合训练数据。其次,系统辨识的输入回归量的选择是非平凡的。第三,模型参数和预测的不确定性量化是必要的。所提出的贝叶斯方法提供了一个原则性的方法,以减轻上述挑战的边际似然/模型证据近似和结构化组稀疏诱导先验构造。识别算法是作为一个迭代正则化优化过程推导出来的,可以像训练典型的DNN一样有效地解决。值得注意的是,为DNN的每一层开发了一种高效的递归Hessian计算方法,将棘手的训练/优化过程变成了一个易于处理的过程。此外,一个实用的计算方法的基础上的Monte-Carlo积分方法来量化的参数和预测的不确定性。所提出的贝叶斯方法的有效性证明了几个线性和非线性系统辨识基准,实现良好的和有竞争力的仿真精度。重现实验结果的代码是开源的,可以在线获得。
2022-06-01 cs.LG cs.SY eess.SY
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
Sparse plus low-rank autoregressive identification in neuroimaging time series
University of Cambridge(剑桥大学)
本文提出利用交替方向乘子法解决多变量自回归稀疏加低秩图模型问题,针对神经影像数据规模进行扩展,重点展示低秩结构捕捉时空结构的能力。
2015-03-30 cs.LG cs.SY eess.SY
A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study
University of Colorado(科罗拉多大学)
近年来,从数据中辨识非线性动力系统变得越来越流行。稀疏回归方法,如非线性动力学稀疏识别(SINDy),促进了新的控制方程识别算法的发展,假设状态变量是已知的先验和控制方程本身的稀疏,线性扩展的状态变量的(非线性)的基础。在非线性动力系统控制方程辨识的背景下,当状态测量被噪声破坏时,人们面临着模型参数的可辨识性问题。测量噪声影响恢复过程的稳定性,产生不正确的稀疏模式和不准确的估计系数的控制方程。在这项工作中,我们调查和比较几个本地和全球的平滑技术的性能先验去噪的状态测量和数值估计的状态时间导数,以提高精度和鲁棒性的两个稀疏回归方法恢复控制方程:顺序保持最小二乘(STLS)和加权基追踪去噪(WBPDN)算法。我们的经验表明,在一般情况下,全球的方法,它使用整个测量数据集,优于当地的方法,它采用了一个邻近的数据子集周围的一个局部点。我们还比较了广义交叉验证(GCV)和帕累托曲线标准作为模型选择技术,自动估计接近最优的调谐参数,并得出结论,帕累托曲线产生更好的结果。的去噪策略和稀疏回归方法的性能进行了实证评估,通过著名的非线性动力系统的基准问题。
2022-03-18 cs.LG cs.SY eess.SY
PySINDy: A comprehensive Python package for robust sparse system identification
University of Washington(华盛顿大学);Arts et Métiers Institute of Technology(国立高等工程技术学院)
自动化数据驱动建模,直接从数据中发现系统的控制方程的过程,越来越多地在科学界使用。PySINDy是一个Python包,提供了将非线性动力学稀疏识别(SINDy)方法应用于数据驱动模型发现的工具。在PySINDy的这次重大更新中,我们实现了几个高级功能,可以从嘈杂和有限的数据中发现更一般的微分方程。库的候选项的驱动系统,偏微分方程(PDE),和隐式微分方程的识别扩展。稳健的配方,包括积分形式的SINDy和集成技术,也实现了提高性能的真实世界的数据。最后,我们提供了一系列新的优化算法,包括几个稀疏回归技术和算法,以加强和促进不等式约束和稳定性。总之,这些更新使全新的SINDy模型发现功能在文献中没有报道,如约束PDE识别和不同的稀疏回归优化器的集成。
2022-01-26 cs.LG cs.SY eess.SY
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
An Approach to Sparse Continuous-time System Identification from Unevenly Sampled Data
Luxembourg Centre for Systems Biomedicine, University of Luxembourg(卢森堡大学系统生物医学中心)
本文提出结合交叉验证与迭代子集增长方法,从非均匀采样数据中识别稀疏连续时间系统,通过最小二乘法解决系统动态问题。
2018-02-28 cs.SY eess.SY math.DS
Adaptive Convex Combination of APA and ZA-APA algorithms for Sparse System Identification
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
本文提出一种自适应凸组合方法,结合APA和ZA-APA算法,用于稀疏系统辨识,能动态适应系统稀疏性,提升性能。
2015-09-10 cs.IT cs.SY eess.SY
Benchmarking sparse system identification with low-dimensional chaos
University of Maryland(马里兰大学);University of Washington(华盛顿大学);Imperial College(帝国理工学院)
稀疏系统辨识是一个数据驱动的过程,它获取描述动态系统演化的简约微分方程,平衡模型的复杂性和准确性。在科学领域的系统辨识有了快速的创新,但在各种动力系统上进行评估的大规模方法比较的文献中仍然存在空白。在这项工作中,我们系统地基准稀疏回归变量利用dysts标准化数据库的混沌系统。特别是,我们演示了如何使用这个开源工具来定量比较不同的系统辨识方法。为了说明如何利用这个基准,我们进行了大量的比较,四个算法解决稀疏识别的非线性动力学(SINDy)优化问题,发现强大的性能的原始算法和最近的混合整数离散算法。在所有情况下,我们使用集成来提高SINDy的噪声鲁棒性并提供统计比较。此外,我们显示了非常令人信服的证据表明,弱SINDy配方提供了显着的改进,即使在干净的数据。最后,我们研究了如何从SINDy算法生成的帕累托最优模型依赖于方程的属性,发现性能没有显着依赖于一组动力学性质,量化的混乱,尺度分离,非线性度,和语法复杂性。
2023-02-04 cs.LG cs.SY eess.SY
Online sparse Bayesian identification of nonlinear time-varying systems
College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan, 030024, China(电气与电力工程学院,太原理工大学,太原,030024,中国);Department of Automation, Taiyuan Institute of Technology, Taiyuan, 030024, China(自动化系,太原理工大学,太原,030024,中国)
研究非线性时变系统在线稀疏识别问题,提出贝叶斯递归稀疏学习方法,通过贝叶斯后验递归更新系数分布,引入后验引导收缩保持稀疏性,在相关基准上评估,为在线稀疏识别提供有效途径。
2026-07-21 cs.RO cs.SY eess.SY
Infinite-Dimensional Sparse Learning in Linear System Identification
正则化方法已被广泛应用于模型结构未知的系统辨识问题。提出了一种基于原子范数正则化的无限维稀疏学习算法。原子范数正则化将传递函数分解为一阶原子模型,并解决选择稀疏极点集并识别相应系数的组套索问题。解决这个问题的困难在于存在无限多的可能的原子模型。这项工作提出了一个贪婪算法,产生新的候选原子模型最大限度地违反现有问题的最优性条件。该算法能够高精度地求解无限维群套索问题。通过迭代加权自适应群Lasso和互补对稳定性选择,进一步扩展了该算法,以减小极点位置估计的偏差和抑制误报。数值结果表明,该算法在脉冲响应拟合和极点位置估计方面都优于基准参数化和正则化方法。
2022-08-31 cs.SY eess.SY stat.ML
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
Sparse system identification by low-rank approximation
本文介绍了逼近论和矩阵分析在时间序列模型和非线性离散时间动力系统稀疏辨识中的应用。上述理论方法被转化为算法,可用于离散时间动力系统的稀疏模型识别,从系统测量的结构化数据的基础上。状态转换算子的近似主要由基于从给定系统测量的数据待识别的参数矩阵确定,通过识别对应于测量数据的轨迹矩阵的子矩阵的低秩近似的存在条件来接近,其可以用于计算参数矩阵的近似稀疏表示。本文中提出的低秩近似方法的主要优点之一涉及线性和非线性模型的参数估计,其中数值或测量噪声可能显著影响估计。给出了基于上述技术的原型算法以及在理论物理、流体动力学和天气预报中对具有对称性和非线性结构动力系统的时间序列模型的近似辨识和预测模拟的应用。
2021-08-03 cs.NA cs.SY eess.SY
System Identification through Online Sparse Gaussian Process Regression with Input Noise
Delft University of Technology(代尔夫特理工大学);Uppsala University(乌普萨拉大学)
本文提出一种在线稀疏高斯过程回归算法,解决高斯过程回归在计算效率、在线更新和处理噪声输入方面的不足,实验表明其在非线性黑盒系统建模中性能优异。
2017-08-15 cs.LG cs.SY eess.SY
Sparse representation for damage identification of structural systems
Northeastern University(东北大学);Massachusetts Institute of Technology(麻省理工学院)
结构系统损伤识别是一个典型的反问题,由于测量噪声和建模误差引起的偶然性和认知不确定性,反问题可能是病态的。稀疏表示可以用于稀疏损伤情况下的逆分析。在本文中,我们提出了一种新的两阶段敏感性分析为基础的框架模型更新和稀疏损伤识别。具体而言,首先开发了一种$\ell_2$贝叶斯学习方法,用于完整模型的更新和不确定性量化,从而为损伤检测提供基线。建立在准$\ell_0$方法上的稀疏表示流水线,例如,序列阈值最小二乘(STLS)回归,然后提出的损伤定位和量化。此外,提出了贝叶斯优化和交叉验证相结合的超参数学习方法,节省了超参数整定的计算量,提高了辨识结果的可靠性。通过10层剪切型结构、复杂桁架结构和8层钢框架的振动台试验,验证了该框架的有效性。结果表明,所提出的方法是能够定位和量化的结构损伤与高精度。
2020-06-06 cs.LG cs.NA cs.SY
RIP Analysis of Modulated Sampling Schemes for Recovering Spectrally Sparse Signals
本文分析调制采样方案(如奈奎斯特折叠接收机)的受限等距性质,并利用该性质确定信号恢复所需的稀疏度,随后演示正交匹配追踪从含噪非均匀样本中重建信号的能力。
2012-07-31 cs.IT cs.SY eess.SY