High-Accuracy Model Predictive Control with Inverse Hysteresis for High-Speed Trajectory Tracking of Piezoelectric Fast Steering Mirror
University of Electronic Science and Technology of China(电子科技大学);School of Astronautics and Aeronautics(航空航天学院)
本文提出一种结合滞回逆模型的MPC方法,用于提升压电快摆镜在高速轨迹跟踪中的精度与鲁棒性。
2024-12-19 cs.SY eess.SY
A Bird's Eye View of Nonlinear System Identification
本文旨在提供一个鸟瞰图的系统辨识,特别注意非线性系统。驱动力是给那些从数据中建立数学模型的人所面临的哲学问题一种感觉。将特别注意灰箱方法在非线性系统辨识。在本文中,灰箱方法使用辅助信息,如系统稳态数据,可能的对称性,一些分叉和滞后的存在。本文以应用程序的示例结束。没有试图是彻底的,也没有调查这样一个广泛和成熟的领域,系统辨识。在大多数部分,将提供参考资料,以便进行更详细的研究。
2022-02-20 cs.SY eess.SY
Data-driven discovery and control of multistable nonlinear systems and hysteresis via structured Neural ODEs
University of Washington(华盛顿大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出一种结构化神经ODE架构,通过学习向量场形式F(x,u)=f(x)(x-g(x,u)),实现多稳系统轨迹稳定性,从而在短时间训练中高效捕捉多个吸引盆地并实现反馈控制。
2026-03-27 cs.SY eess.SY math-ph
Simulation Results of Center-Manifold-Based Identification of Polynomial Nonlinear Systems with Uncontrollable Linearization
本文通过数值仿真例子,验证了近期提出的基于中心流形的系统辨识方法在辨识具有不可控线性化的多项式非线性系统中的有效性。
2025-05-31 cs.SY eess.SY
Identification of block-oriented nonlinear systems starting from linear approximations: A survey
Vrije Universiteit Brussel(布鲁塞尔自由大学)
本文综述了利用线性近似识别块导向非线性模型的方法及算法,探讨了其在非线性系统识别中的应用与贡献。
2018-01-09 cs.SY eess.SY
Feedback for nonlinear system identification
受神经科学中的神经元模型的启发,我们考虑了简单反馈结构的系统辨识,这些反馈结构的行为包括非线性现象,如兴奋性、极限环和混沌。我们表明,输出反馈是足够的,以解决识别问题的两个步骤。首先提取系统的非线性静态特性,然后利用反馈线性化律辨识出具有近似有限记忆的轻度非线性系统。在理想的设置中,第二步归结为识别LTI系统。为了说明在一个现实的环境中的方法,我们提出了两个经典的系统,适合假设的模型结构的识别的数值模拟。
2020-02-22 cs.SY eess.SY
On continuous-time sparse identification of nonlinear polynomial systems
Univ. Grenoble Alpes, CNRS, Grenoble INP, GIPSA-lab(格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔理工学院、GIPSA实验室)
本文提出一种连续时间稀疏辨识方法,结合高阶导数重建与稀疏多项式辨识,从少量数据中识别相对阶不超过4的单输入单输出非线性系统,并在电子节气门控制系统中验证。
2025-09-22 cs.SY eess.SY
Grey-box state-space identification of nonlinear mechanical vibrations
University of Liège(列日大学);Vrije Universiteit Brussel(布鲁塞尔自由大学)
本文提出一种灰盒非线性状态空间模型,用于识别非线性机械振动。通过有限测量输出变量表达非线性基函数,并结合非线性子空间初始化和加权最小二乘优化进行两步参数识别,应用于电路和非几何非线性梁结构。
2018-04-28 cs.SY eess.SY
Online design of experiments by active learning for nonlinear system identification
研究将主动学习策略适配至动态环境,结合Kalman滤波器递归更新模型参数并处理输入输出约束,在运行时生成激励信号,提高了非线性系统辨识的样本效率。
2025-06-26 cs.SY eess.SY
Adaptive Nonlinear Control with Online Identification and Receding-Horizon Optimization
该研究提出结合滚动时域iLQR等技术的自适应非线性最优控制方案,通过AMIGO框架分三阶段计算,经多种非线性系统验证,为复杂控制场景提供有效方法。
2026-09-09 cs.SY eess.SY
Nonlinear System Identification: A User-Oriented Roadmap
Vrije Universiteit Brussel(布鲁塞尔自由大学);Eindhoven University of Technology(埃因霍温理工大学);Linköpings Universitet(林雪平大学)
本文旨在为非线性系统辨识提供一个面向用户的指南,帮助工程师和新进入者解决数据驱动的非线性动态系统建模问题,并为熟悉线性系统辨识理论的研究人员提供非线性问题的广泛视角。
2019-02-02 cs.SY eess.SY
Passive Lifted FIR Filters for Nonlinear System Identification
University of Cambridge(剑桥大学)
提出通过无源性保持提升线性无源FIR滤波器来定义非线性算子,利用频域约束高效实现无源性,并通过输出反馈增强表达能力,实验证明了框架的有效性和计算优势。
2026-06-16 cs.SY eess.SY
Linear identification of nonlinear systems: A lifting technique based on the Koopman operator
University of Luxembourg(卢森堡大学)
本文提出基于Koopman算子的提升技术,用于非线性系统识别,通过将问题转换到观测空间进行线性识别,进而投影回状态空间以获得非线性向量场。
2016-08-27 cs.SY eess.SY
A Data-Driven Method for Microgrid System Identification: Physically Consistent Sparse Identification of Nonlinear Dynamics
McGill University(麦吉尔大学)
本文提出一种物理一致的非线性动力学稀疏辨识方法,利用相量测量单元数据准确建模微电网系统,通过仿真验证其在大扰动下的预测能力。
2026-05-13 cs.SY eess.SY
Data driven discrete-time parsimonious identification of a nonlinear state-space model for a weakly nonlinear system with short data record
Vrije Universiteit Brussel(布鲁塞尔自由大学)
本文提出了一种数据驱动的方法,用于识别弱非线性系统的离散时间非线性状态空间模型,通过两种初始化方案和张量分解技术实现简洁解耦表示,验证了模型结构在串联水基准识别问题中的有效性。
2018-05-16 cs.SY eess.SY
Linear System Identification in a Nonlinear Setting - Nonparametric analysis of the nonlinear distortions and their impact on the best linear approximation
Vrije Universiteit Brussel(布鲁塞尔自由大学)
本文研究非线性环境下线性系统辨识的非参数分析方法,探讨非线性失真对最佳线性逼近的影响,并提供工具评估非线性模型的优势。
2018-04-25 cs.SY eess.SY
Recursive Parameter Identification of Nonlinear Stochastic State-Space Models via Sequentialized Ensemble Kalman Inversion
University of Kansas(堪萨斯大学);Michigan State University(密歇根州立大学)
针对非线性随机状态空间模型,提出序贯化集成卡尔曼反演方法,利用演化集成和隐式粒子滤波实现流式数据下的递归参数辨识,并在强非线性基准和锂离子电池模型上验证了准确性。
2026-09-22 cs.SY eess.SY
Grey-box nonlinear state-space modelling for mechanical vibrations identification
Vrije Universiteit Brussel(布鲁塞尔自由大学);University of Liège(列日大学)
本文提出一种灵活且简洁的非线性机械系统振动状态空间模型,通过有限输出测量构建非线性项,并采用两步识别流程结合非线性子空间初始化和最大似然优化,在Silverbox基准上验证了该方法。
2016-10-28 cs.SY eess.SY
Numerical homotopy continuation for control and online identification of nonlinear systems: the survey of selected results
St. Petersburg State Polytechnical University(圣彼得堡国立理工大学)
本文综述了参数数值延拓方法在非线性系统设定点控制与参数辨识中的应用,涵盖仿射系统与非仿射系统,并展示了线性与非线性非凸参数化下的在线辨识仿真结果。
2013-01-26 cs.SY eess.SY math.OC
Data-driven identification of dissipative linear models for nonlinear systems
我们考虑的问题,识别一个未知的非线性系统,已知是耗散的,从时域输入输出数据的耗散线性模型。我们首先学习一个近似的线性模型的非线性系统,使用标准的系统辨识技术,然后扰动的线性模型的系统矩阵,以执行耗散,同时密切近似的非线性系统的动态行为。此外,我们提供了一个解析的扰动的大小和半径之间的关系,其中的线性模型的耗散性保证局部耗散的未知非线性系统。我们展示了应用这种识别技术的问题,学习耗散模型的微电网具有高渗透率的可变可再生能源。
2019-07-29 cs.SY eess.SY math.OC
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
Deep State Space Models for Nonlinear System Identification
Uppsala University(乌普萨拉大学);Linköping University(林雪平大学)
深度状态空间模型(SSM)是深度学习社区中开发的时态模型的一个积极研究的模型类,与经典SSM有着密切的联系。由于深度神经网络的灵活性,使用深度SSM作为黑盒识别模型可以描述广泛的动态。此外,模型类的概率性质允许对系统的不确定性进行建模。在这项工作中,解释了一个深度SSM类及其参数学习算法,以扩展基于深度学习的非线性识别方法的工具箱。六个最近的深SSM进行评估,在第一个统一的实施非线性系统识别基准。
2021-06-18 cs.LG cs.SY eess.SY
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 Latent Restoring Force Approach to Nonlinear System Identification
University of Sheffield(谢菲尔德大学);Technical University of Denmark(丹麦技术大学)
非线性动态系统的辨识仍然是工程领域的一个重大挑战。这项工作提出了一种基于贝叶斯滤波的方法来提取和识别系统中未知非线性项的贡献,这可以被视为恢复力表面类型方法的另一种观点。为了实现这种识别,最初将非线性恢复力的贡献建模为时间上的高斯过程。该高斯过程被转换成状态空间模型,并与系统的线性动态分量相结合。然后,通过滤波和平滑分布的推断,可以提取系统的内部状态和非线性恢复力。有了这些状态,就可以构造一个非线性模型。该方法被证明是有效的模拟案例研究和实验基准数据集。
2022-06-30 cs.LG cs.SY eess.SY
Fast Data-Driven Modeling of Hydraulic Clutch Control Pressure with Latch-State Classification and Gaussian Process Regression
Drive System Design(驱动系统设计)
研究液压离合器控制回路压力响应建模,通过扩展输入向量、测试分类器,用高斯过程回归模型拟合,经实验评估,该机器学习模型比基于物理的模拟更能准确再现压力响应和滞后行为,可补充相关模型。
2026-07-14 cs.LG cs.SY eess.SY
Equation Discovery for Nonlinear System Identification
Jožef Stefan Institute(约瑟夫·斯特凡研究所);University of Cambridge(剑桥大学);University of Ljubljana(卢布尔雅那大学);University of Nova Gorica(新戈里察大学);Jožef Stefan International Postgraduate School(约瑟夫·斯特凡国际研究生院)
方程发现方法使建模者能够结合特定领域的知识和系统辨识来构造最适合于所选建模任务的模型。本文所述方法可作为灰箱建模的非线性系统辨识方法。它由计算机辅助建模的两个交错部分组成。第一个执行计算机辅助识别的模型结构组成的元素从用户指定的特定领域的建模知识,而第二部分进行参数估计。在本文中,方程发现方法称为基于过程的建模,适用于非线性系统辨识的最新发展,阐述和说明两个连续时间的案例研究。第一个案例研究说明了使用基于过程的建模合成数据,而第二个案例研究的标准系统识别基准的测量数据进行评估。实验结果清楚地表明,基于过程的建模重建模型结构和参数从测量数据的能力。
2019-07-01 cs.LG cs.SY eess.SY
Nonlinear Spectral Modeling and Control of Soft-Robotic Muscles from Data
Institute for Mechanical Systems, ETH Zurich(机械系统研究所,瑞士苏黎世联邦理工学院);Soft Robotics Lab, ETH Zurich(软机器人实验室,瑞士苏黎世联邦理工学院)
本文提出基于频谱子 manifold 理论的数据驱动方法,用于高效控制软机器人肌肉和肌肉驱动关节,减少跟踪误差并避免滞后现象。
2026-01-06 cs.CE cs.RO cs.SY