An Adaptive-Importance-Sampling-Enhanced Bayesian Approach for Topology Estimation in an Unbalanced Power Distribution System
配电系统的可靠运行依赖于其拓扑结构和系统状态的良好先验知识。虽然至关重要，但由于缺乏对开关状态的直接监测设备，对于配电系统运营商的实时应用，拓扑信息通常不可用或过时。除了配电系统有限的可观测性之外，其他挑战是模型的非线性、配电系统的复杂、不平衡结构以及系统的规模。为了克服上述挑战，本文提出了一个贝叶斯推理框架，使我们能够同时估计的拓扑结构和状态的三相，不平衡的配电系统。具体而言，通过使用非常有限的数量的测量与预测的负荷数据，我们有效地恢复正常和停电运行条件下的系统拓扑结构的完整贝叶斯后验分布。这是通过一个自适应的重要性抽样程序，大大简化了传统的蒙特卡洛（MC）抽样为基础的方法的计算负担，同时保持良好的估计精度。在IEEE 123节点测试系统和不平衡1282节点系统上的仿真结果表明，该方法具有良好的性能。
2021-10-18 cs.SY eess.SY
Bayesian Physics-Informed Neural Networks for Robust System Identification of Power Systems
本文首次介绍了贝叶斯物理信息神经网络在电力系统中的应用。贝叶斯物理信息神经网络（BPINNs）结合了物理信息神经网络（PINNs）的优点，对噪声和丢失数据具有鲁棒性，贝叶斯建模为其输出提供了置信度。这样的置信度测量对于安全关键系统（诸如电力系统）的操作可能是非常有价值的，因为它为神经网络输出提供了一定程度的可信度。本文以单机无穷大系统为例，应用BP神经网络对系统的惯性和阻尼进行鲁棒辨识。本文的目标是介绍这个概念，并探讨与现有方法相比，BPINNs的优点和缺点。我们比较了BPINNs与PINNs和最近流行的系统辨识方法，SINDy。我们发现，BPINN和PINN对所有噪声水平都是鲁棒的，与SINDy相比，它可以以更低的误差提供系统惯性和阻尼的估计，特别是当噪声水平增加时。
2022-12-22 cs.SY eess.SY
Robust Bayesian Subspace Identification for Small Data Sets
从传统的子空间识别方法获得的模型估计可能会受到显着的方差。在大型模型或样本量有限的情况下，这种升高的方差会加剧。减少方差影响的常见解决方案是正则化估计，收缩估计和贝叶斯估计。在目前的工作中，我们调查后两种解决方案，尚未被应用于子空间识别。我们的实验结果表明，我们提出的估计可以减少估计风险的传统子空间方法的$40\%$。
2022-12-29 cs.SY eess.SY stat.ML
Optimal Sensor Placement for Topology Identification in Smart Power Grids
本文提出了一种基于统计检验的智能电网最优传感器配置方案，通过构建包含二元决策变量的成本优化问题，实现兼顾多类传感器且独立于负荷预测的线路故障检测与拓扑辨识。
2019-01-30 cs.SY eess.SY
Nonlinear Bayesian Identification for Motor Commutation: Applied to Switched Reluctance Motors
针对开关磁阻电机转矩脉动问题，提出利用非理想换相闭环实验与贝叶斯估计辨识转矩-电流-角度非线性关系，从而无需转矩传感器即可设计高性能换相函数。
2023-09-29 cs.SY eess.SY
System Identification for Lithium-Ion Batteries with Nonlinear Coupled Electro-Thermal Dynamics via Bayesian Optimization
针对锂离子电池非线性耦合电热模型的最大似然参数估计难题，提出结合动态缩窄细化搜索空间的贝叶斯优化系统辨识方法，高效求解且适用性广。
2024-08-20 cs.SY eess.SY
Bayesian Parameter Identification for Jump Markov Linear Systems
本文提出了一种跳变马尔可夫线性系统参数辨识的贝叶斯方法。一个主要的动机是提供准确的量化参数的不确定性，而不依赖于渐近的数据长度参数。为了实现这一点，本文详细介绍了粒子吉布斯抽样方法，提供所需的后验分布的样本。这些样本是通过利用修改后的离散粒子滤波器和精心选择的共轭先验。
2021-02-10 cs.SY eess.SY stat.AP
Guaranteed Phase & Topology Identification in Three Phase Distribution Grids
提出了一种仅利用电压测量值的三相辐射状不对称网络的联合相位辨识和拓扑恢复方法。通过联合恢复相位和拓扑，我们利用所有三相电压测量，并可以处理网络中的一些总线有一个子集的三相。我们的方法是理论上合理的一种新的线性化配方的不平衡三相潮流，并作出精确定义和合理的假设线路阻抗和负载统计。我们验证了我们的方法在OpenDSS的现实条件下模拟的三个IEEE测试网络，比较我们的性能，以最先进的状态。除了提供一种新的相位和拓扑恢复方法，我们直观的结构化线性化模型将提供一个基础，为今后的工作在这个和其他应用。
2021-02-20 cs.SY eess.SY math.OC
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
Fast Distribution Grid Topology Estimation via Subset Sum
本文提出一种基于子集和与分层结构的超快速配电网拓扑识别方法，利用少量智能电表功率测量样本实时推断整体拓扑，并具备抗测量噪声能力。
2025-07-22 cs.SY eess.SY
Robust Hidden Topology Identification in Distribution Systems
Arizona State University（亚利桑那州立大学）；Stanford University（斯坦福大学）；Salt River Project（盐河项目）
本文提出了一种鲁棒的拓扑识别方法，通过估计欧姆定律中的线路参数来识别配电系统拓扑，即使存在隐藏节点，也能够通过递归检测隐藏节点和阻抗计算来实现，同时通过Cholesky白化和处理实际场景中的测量幅值和三相不平衡问题来提高鲁棒性。
2019-02-04 cs.SY eess.SY
Bayesian Dynamical System Identification With Unified Sparsity Priors And Model Uncertainty
本文研究降阶动力系统辨识中的不确定性量化问题。降阶系统动力学模型在设计和控制应用中无处不在，最近的努力集中在其数据驱动的建设。我们的出发点是稀疏识别的非线性动力学（SINDy）的框架，重新制定系统辨识作为一个回归问题，其中未知的功能近似从一个稀疏的子集的基础库。在这篇手稿中，我们制定这个系统辨识方法在贝叶斯框架来处理参数和结构模型的不确定性。我们提出了一个一般的方法来执行稀疏性，这是建立在最近推出的类神经元先验。我们在不同的变体之间进行比较，例如Lasso，马蹄铁，以及spike和slab先验，它们都是通过修改单个激活函数获得的。我们还概述了如何状态观测噪声可以与概率状态空间模型。由此产生的贝叶斯回归框架是强大的，易于实现。我们将该方法应用于两个通用的数值应用，摆和洛伦兹系统，和一个空气动力学应用实验测量。
2021-03-08 cs.SY eess.SY physics.comp-ph
Bayesian kernel-based system identification with quantized output data
KTH Royal Institute of Technology（皇家理工学院）；University of Padova（帕多瓦大学）
本文提出一种新的线性系统辨识方法，利用稳定样条核作为高斯过程的协方差函数，通过马尔可夫链蒙特卡洛方法估计系统参数，显著提升了量化数据下的辨识精度。
2015-04-26 cs.SY eess.SY stat.ML
Closed-loop Identification of a MSW Grate Incinerator using Bayesian Optimization for Selecting Model Inputs and Structure
针对城市固体废物炉排焚烧炉，提出利用贝叶斯优化选择模型输入与结构，实现低阶闭环辨识，获得高精度预测模型，支持基于模型的控制方案开发。
2024-01-10 cs.SY eess.SY
Topology identification of autonomous quantum dynamical networks
拓扑识别包括通过在固定时间间隔内适当地处理其密度算子的测量来重建量子网络的相互作用哈密顿量。它可以应用于从量子通信到量子计算或传感的多个量子技术环境中。本文给出了自治量子动力学网络拓扑识别问题可解的解析条件。然后，可解性条件被转换成用于量子网络重构的算法，该算法易于在标准计算机设施上实现。所得到的算法进行了测试的基础上的量子行走形式主义的数值例子的哈密顿重建。
2022-05-16 cond-mat.mes-hall cs.SY eess.SY
Robust Topology Identification and Control of LTI Networks
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种鲁棒方案，用于识别和控制线性动态网络的拓扑结构，通过自适应反馈输入和滑模控制结合，实现网络动态渐近跟踪参考动态，并通过仿真验证理论成果。
2014-06-17 cs.SY eess.SY math.DS
Measurement-Based Parameter Identification of DC-DC Converters with Adaptive Approximate Bayesian Computation
随着发电厂和能源的发展，DC-DC变换器在电力系统（特别是直流微电网）中的应用范围不断扩大。参数辨识可以提取变换器的参数，生成精确的离散仿真模型。在本文中，我们提出了一种基于测量的转换器参数校准方法，通过自适应近似贝叶斯计算与顺序蒙特卡罗采样器（ABC SMC），估计与无源和寄生元件相关的参数。首先，我们提出为我们不知道先验信息的参数找到合适的先验分布。有了先验分布，我们可以使用ABC SMC来找到转换器参数的精确值。我们仔细地选择了距离函数，并根据模拟结果为阈值排序分配了最佳方法。为了提高算法的计算量，我们提出了一个自适应的权重，帮助算法找到最佳值与较少的模拟。以DC-DC降压变换器为例验证了该方法的有效性。结果表明，该方法能够准确、有效地估计出具有粗差先验分布的Buck参数的后验分布。所提出的算法也可以应用于其他参数识别和优化应用，如整流器，滤波器，或电源，等等。
2021-09-08 cs.SY eess.SY
Identification of Substation Configurations in Modern Power Systems using Artificial Intelligence
电力系统传输网络拓扑用于能量管理系统应用。变电站配置是传输网络拓扑处理的基础。由于风力和太阳能发电厂的可变性质，由可再生能源组成的现代电力系统需要可靠且快速的网络拓扑处理。目前使用的传输网络拓扑处理是基于通过SCADA通信的中继信号，其可靠性和准确性不高。研究了不同变电站布置方式下的变电站配置识别问题，包括主母线和转换母线布置方式（MTBA）、环形母线布置方式（RBA）和单母线布置方式（SBA）。提出了一种基于同步相量测量的人工智能功能配置方法。该方法改善了FA的监测。给出了MTBA、RBA和SBA变电站配置识别的典型结果。在实时数字仿真器上对一种改进的两区四机电力系统模型进行了仿真研究。基于AI的SCI被证明可以准确地识别出在任何操作条件下三个变电站布置的所有可能的FA。
2022-07-22 cs.SY eess.SY
Bayesian Physics-informed Neural Networks for System Identification of Inverter-dominated Power Systems
本文提出利用贝叶斯物理信息神经网络（BPINN）解决逆变器主导电力系统在不确定性下的系统辨识问题，通过结合PINN与贝叶斯方法，在多种系统上实现了比SINDy低数个数量级的误差，并利用迁移学习将训练时间减少80%。
2024-03-20 cs.SY eess.SY
On-line Bayesian System Identification
University of Padova（帕多瓦大学）
本文提出一种在线贝叶斯系统辨识方法，通过边际似然最大化更新超参数，仅需一次迭代优化算法，实验验证其有效性。
2016-01-17 cs.LG cs.SY eess.SY
A scalable multi-step least squares method for network identification with unknown disturbance topology
动态网络的识别方法通常需要网络和扰动拓扑的先验知识，并且通常依赖于解决可扩展性差的非凸优化问题。虽然用于估计网络拓扑的方法在文献中是可用的，但是较少注意估计干扰拓扑，即，（空间）噪声相关结构和干扰信号的滤波白噪声表示中的噪声秩。在这项工作中，我们提出了一种动态网络的识别方法，其中的扰动拓扑结构的估计之前，识别的完整的动态网络与已知的网络拓扑。为此，我们扩展了多步序贯线性回归和加权线性空间拟合的方法来处理降秩噪声，并使用这些方法来估计的干扰拓扑结构和网络动态的全测量情况。因此，我们提供了一个多步最小二乘算法，并行计算能力，只依赖于明确的解析解，从而避免了通常的非凸优化。因此，我们一致地估计Box Jenkins模型结构的动态网络，同时保持较低的计算负担。我们提供了一个一致性证明，包括基于路径的数据信息性条件分配的激励信号的实验设计。在一个具有降低秩噪声的动态网络上进行的数值模拟清楚地说明了这种方法的潜力。
2022-05-25 cs.SY eess.SY math.DS
Bayesian Error-in-Variables Models for the Identification of Power Networks
间歇性可再生能源发电的日益一体化，特别是在配电水平，需要先进的规划和优化方法，取决于电网的知识，特别是导纳矩阵捕获的拓扑结构和线路参数的electricnetwork。然而，一个可靠的估计导纳矩阵可能会丢失或迅速成为过时的时间变化的网格。在这项工作中，我们提出了一个数据驱动的identificationmethod利用从微型PMU收集的电压和电流测量。更确切地说，我们首先提出了一个最大似然方法，然后转向贝叶斯框架，利用最大后验估计的原则。与大多数现有的contributions相比，我们的方法不仅在电压和电流数据的测量噪声的因素，但也能够利用现有的先验信息，如稀疏模式和knownline参数。在基准案例上进行的仿真表明，与其他算法相比，我们的方法可以实现更高的精度。
2021-12-19 cs.SY eess.SY stat.ML
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
Parameter Identification for Electrochemical Models of Lithium-Ion Batteries Using Bayesian Optimization
The Ohio State University（俄亥俄州立大学）
针对锂离子电池电化学模型参数辨识鲁棒性差、成本高、易陷局部最优的问题，提出用贝叶斯优化调校E-ECM动态参数，经实验验证其在精度和稳定性上均优于梯度下降与PSO方法。
2024-05-17 cs.LG cs.SY eess.SY
Resilient Identification of Distribution Network Topology
University College Dublin（都柏林大学学院）
网络拓扑识别（TI）是分布式能源管理系统（DERMS）组织和运行广泛分布的分布式能源（DER）的基本功能。在本文中，判别分析（DA）部署开发一个网络TI功能，只依赖于可用于DERMS的测量。提出的方法能够识别网络的切换配置，以及保护设备的状态。接着，为了提高TI对通信信道中断的弹性，提出了一种二次规划优化方法来恢复丢失的信号。通过将提出的数据恢复方法和贝叶斯定理结合起来，开发了一个基准测试来识别异常测量。该基准可以使TI功能对网络攻击具有弹性。该方法计算量小，速度快，可用于实时应用。进行敏感性分析以评估不同测量的贡献以及系统负载类型和负载水平对所提出方法性能的影响。
2020-11-16 cs.AI cs.SY eess.SY
Not All Actions Are Created Equal: Bayesian Optimal Experimental Design for Safe and Optimal Nonlinear System Identification
University of Michigan（密歇根大学）
提出一种基于贝叶斯最优实验设计（BOED）的非线性系统辨识方法，通过参数化轨迹和容积法在确保安全的前提下最大化信息获取，相比现有算法样本需求量大幅减少。
2023-08-03 cs.RO cs.SY eess.SY
A Sparse Bayesian Deep Learning Approach for Identification of Cascaded Tanks Benchmark
Delft University of Technology（代尔夫特理工大学）
非线性系统辨识具有重要的应用价值。非线性系统辨识的典型方法包括Volterra级数模型、带外生输入的非线性自回归模型、块结构模型、状态空间模型和神经网络模型。其中，神经网络（NN）是一种重要的黑盒方法，由于其通用的逼近能力和对先验信息的依赖性较小。然而，有几个与NN相关的挑战。第一个问题在于设计一个合适的神经网络结构。相对简单的网络不能近似系统的特征，而复杂的模型可能导致过拟合。第二个问题在于某些非线性系统的数据可用性。对于某些系统，很难收集足够的数据来训练神经网络。这就提出了一个挑战，即如何训练神经网络的系统辨识与一个小的数据集。另外，如果能得到神经网络参数的不确定度，也有利于进一步的分析。在本文中，我们提出了一种稀疏贝叶斯深度学习方法来解决上述问题。具体来说，贝叶斯方法可以通过引入稀疏诱导先验来加强神经网络的正则化。贝叶斯方法还可以计算NN参数的不确定性。本文提出了一种有效的迭代重加权算法。我们还测试了我们的方法在原始数据集的各种比率上识别系统的能力。级联水箱系统的一步预测实验表明了该方法的有效性。此外，我们测试我们的算法更具有挑战性的模拟实验在这个基准，这也优于其他方法。
2019-11-26 cs.LG cs.SY eess.SY
Practical Bayesian System Identification using Hamiltonian Monte Carlo
本文研究了用马尔可夫链蒙特卡罗（MCMC）方法进行动态系统的贝叶斯参数估计。采用Metroplis Hastings（MH）算法，本文的主要贡献是检查和说明一个特定的建议密度的功效的基础上保持能量的哈密顿动力学，这导致在统计文献中被称为"哈密顿蒙特卡罗“（HMC）。这种方法的非常重要的效用是，正如将要说明的，它大大减少了（几乎到消除的点）的典型的非常高的相关性，在大都会-黑斯廷斯链已被观察到的几个作者限制应用的MH方法，只有非常低的维度模型结构。本文说明了如何HMC方法可以适用于显着的维度线性和非线性模型结构，即使当系统的顺序是未知的，并使用模拟和真实的数据。
2021-10-14 cs.SY eess.SY stat.AP
An Iterative Bayesian Approach for System Identification based on Linear Gaussian Models
Department of Aeronautics and Astronautics, Stanford University（航空航天系，斯坦福大学）
该研究针对系统辨识问题，提出一种含迭代参数优化与不确定性驱动输入选择的贝叶斯方法，仅需输入输出数据与模型一阶信息，适用于各类系统与参数模型，经线性及非线性动力学测试验证有效。
2025-10-01 cs.LG cs.SY eess.SY
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
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University（牛津大学）
本文提出了一种新的方法，结合概率识别与控制，利用随机过程先验条件和拉格朗日力学结构知识，通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
Integrated Pre-Processing for Bayesian Nonlinear System Identification with Gaussian Processes
提出GP-FNARX模型，通过集成数据预处理与稀疏高斯过程回归，实现从原始数据到辨识模型的自动化流程，并利用边际似然最大化同时优化预处理参数和超参数，获得能报告不确定性的贝叶斯动力学模型。
2013-09-17 cs.AI cs.RO cs.SY
Cyber-Resilient System Identification for Power Grid through Bayesian Integration
University at Buffalo（布法罗大学）；Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）
针对电网在随机和针对性虚假数据下的系统辨识问题，提出贝叶斯集成快照与时间序列模型的方法，显著降低FDIA下估计误差，并能定位异常数据，保持近线性可扩展性。
2025-10-15 cs.AI cs.CR cs.SY
Fault Detection and Identification using Bayesian Recurrent Neural Networks
Massachusetts Institute of Technology（麻省理工学院）；ExxonMobil Research and Engineering（埃克森美孚研究与工程公司）
在加工和制造业中，一直在大力推动生产更高质量的产品，并确保流程的最大效率。这就需要采取有效的方法来检测和解决干扰，以确保最佳运行。虽然控制系统可以补偿许多类型的干扰，但仍然不能充分处理过程的变化。因此，重要的是进一步开发监测系统，以有效地检测和识别这些故障，从而使操作员能够快速解决这些故障。本文提出了一种新的概率故障检测和识别方法，该方法采用了新开发的深度学习方法，使用具有变差丢弃的贝叶斯循环神经网络（BRNN）。BRNN模型是通用的，可以模拟复杂的非线性动力学。此外，与传统的基于神经网络的数据驱动的故障检测和识别方法相比，所提出的基于BRNN的方法产生的不确定性估计，允许同时故障检测的化学过程，直接故障识别，故障传播分析。在Tennessee Eastman过程TEP和一个实际化工生产数据集上，与工业上广泛应用的动态主成分分析进行了对比，并验证了该方法的优越性。
2020-06-26 cs.LG cs.SY eess.SY
Bayesian Identification of Nonseparable Hamiltonian Systems Using Stochastic Dynamic Models
University of California San Diego（加州大学圣地亚哥分校）；University of Michigan（密歇根大学）
提出了一种基于随机动态模型的不可分哈密顿系统的系统辨识和估计的概率贝叶斯公式。不可分的哈密顿系统出现在各种科学和工程应用的模型中，如天体物理学、机器人、涡旋动力学、带电粒子动力学和量子力学。数值实验表明，所提出的方法恢复动力系统具有更高的精度和减少预测的不确定性相比，国家的最先进的方法。结果进一步表明，在存在稀疏和噪声测量的情况下，远超出训练时间间隔的准确预测是可能的，这为所提出的方法提供了鲁棒性和可推广性。一个定量的好处是预测精度小于10%的相对误差超过12倍的时间比可比的最小二乘为基础的方法对基准问题。
2022-09-15 cs.LG cs.SY eess.SY
Bayesian grey-box identification of nonlinear convection effects in heat transfer dynamics
TU Eindhoven（埃因霍温理工大学）；Sioux Technologies B.V.（苏克斯技术公司）；Sheffield University（谢菲尔德大学）
本研究提出一种基于高斯过程潜势模型的贝叶斯灰箱计算流程，融合已知物理白箱与高斯过程黑箱，通过贝叶斯平滑、拉普拉斯方法与回归模型辨识传热非线性对流，经模拟与实测数据验证有效。
2024-07-09 cs.CE cs.LG cs.SY
Canonical Bayesian Linear System Identification
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）；Basis Research Institute（Basis研究机构）；Eric and Wendy Schmidt Center（埃里克和温迪·施密特中心）；BCAM (Basque Center for Applied Mathematics)（BCAM（巴斯克应用数学中心））；Ikerbasque (Basque Foundation for Science)（Ikerbasque（巴斯克科学基金会））
针对LTI系统贝叶斯辨识中的参数不可辨识与多模态后验问题，提出将规范形式嵌入贝叶斯框架，实现可辨识推断、结构先验与渐近理论保证，并通过MCMC实验验证其效率和不确定性估计优势。
2025-08-28 cs.LG cs.SY eess.SY
Dealing with collinearity in large-scale linear system identification using Bayesian regularization
我们考虑大规模的线性和稳定的动态系统，其输出可能是许多相关的输入的结果的识别。因此，严重的病态可能会影响估计问题。这是一个场景经常出现在建模复杂的物理系统时，由许多子单元的互连，其中反馈和代数循环可能会遇到。我们开发了一种基于贝叶斯正则化的策略，其中任何冲激响应都被建模为零均值高斯过程的实现。稳定样条协方差用于包括关于冲激响应的平滑指数衰减的信息。然后，我们设计了一个新的马尔可夫链蒙特卡罗方案，处理共线性，并能够有效地重建后的冲激响应。它基于吉布斯采样的变化，其基于影响不同输入的共线性水平来更新参数空间的可能重叠的块。数值实验包括测试的良好性的方法，数百个冲激响应形成的系统和输入相关性可能是非常高的。
2022-09-03 cs.SY eess.SY math.DS
System Identification of a Moored ASV with Recessed Moon Pool via Deterministic and Bayesian Hankel-DMDc
National Research Council-Institute of Marine Engineering（国家研究 council-海洋工程研究所）；Codevintec Italiana S.r.l.（Codevintec意大利公司）
本文针对带凹入式月池的系泊自主水面艇，提出基于HDMDc及其贝叶斯扩展的数据驱动降阶建模方法，首次验证了其在不同海况下的泛化能力与高精度预测性能。
2025-11-05 cs.CE cs.LG cs.SY
Bayesian and regularization approaches to multivariable linear system identification: the role of rank penalties
University of Padova（帕多瓦大学）
本文提出一种基于ℓ2正则化和秩惩罚的冲击响应估计器，用于处理多输入多输出系统中输入输出通道的耦合问题，通过优化边际似然估计超参数，实现闭式解。
2014-09-29 cs.LG cs.SY eess.SY
Grid Topology Identification using Electricity Prices
Univ. of Minnesota（明尼苏达大学）；Univ. of Texas at Austin（德克萨斯大学奥斯汀分校）
本文研究通过公开市场数据恢复电网拓扑的潜力，提出基于LMP的正则化最大似然估计器，利用低秩和稀疏结构恢复电网拉普拉斯矩阵，通过IEEE 14节点基准数据验证了方法的有效性。
2014-02-14 cs.LG cs.SY eess.SY
