Identification of Photovoltaic Arrays' Maximum Power Extraction Point via Dynamic Regressor Extension and Mixing
ITMO University(ITMO大学);University of Colorado, Denver(科罗拉多大学丹佛分校);Laboratoire des Signaux et Systèmes, CNRS-SUPELEC(信号与系统实验室,CNRS-苏佩莱克);INRIA-LNE(法国国家信息与自动化研究所LNE团队)
本文提出利用动态回归扩展与混合技术对光伏阵列最大功率点进行快速准确识别,结合五参数模型参数化方法,通过电流-电压特性方程的凹性直接确定工作电压点。
2016-04-29 cs.SY eess.SY
Online Estimation of Power System Inertia Using Dynamic Regressor Extension and Mixing
Brandenburgische Technische Universität Cottbus-Senftenberg(勃兰登堡工业大学科特布斯-森夫滕贝格分校);University of Leeds(利兹大学);CNRS L2S(法国国家科学研究中心L2S)
本文提出了一种在线估计电力系统惯性的方法,利用动态回归器扩展和混合技术,通过1013台机器的ENTSO-E动态模型测试案例验证了该方法的有效性。
2019-04-04 cs.SY eess.SY
Generation of new exciting regressors for consistent on-line estimation of unknown constant parameters
研究了在回归量中缺乏充分激励的情况下,由标准向量线性回归方程估计参数估计的问题。解决这个问题的第一步是使用著名的动态回归扩展和混合技术将这个方程转化为一组标量方程。然后提出了一种新的方法来产生新的标量激励回归。一个经典的梯度估计,使用这个新的回归,而不是原来的,具有全面的模拟说明了优越的性能。
2022-03-11 cs.SY eess.SY stat.ME
Discrete-time Two-Layered Forgetting RLS Identification under Finite Excitation
Shibaura Institute of Technology(芝浦工业大学)
本文提出了一种在有限激励条件下使用双遗忘因子和扩展回归矩阵的离散时间递归最小二乘方法,以提高参数收敛速率并避免系统不稳定。
2025-07-18 cs.SY eess.SY
Discrete-Time Adaptive Control of a Class of Nonlinear Systems Using High-Order Tuners
研究了一类离散非线性系统的状态可达自适应控制问题。最近,高阶调谐器算法被开发用于识别问题的上下文中的具有时变回归量的凸损失函数的最小化。基于Nesterov算法,当回归量随时间变化时,高阶调谐器保证有界参数估计,当回归量为常数时,高阶调谐器加速跟踪误差的收敛.在本文中,我们应用高阶调谐器的适应控制的一类特殊的离散时间非线性动力系统。首先,我们表明,植物这一类,潜在的动态误差模型可以因果关系转换为代数误差模型。第二,我们表明,使用这个代数误差模型,高阶调谐器可以应用于证明稳定的类动力系统围绕一个参考轨迹。
2023-03-17 cs.SY eess.SY math.DS
I-DREM MRAC with Time-Varying Adaptation Rate & No A Priori Knowledge of Control Input Matrix Sign to Relax PE Condition
将已知的动态回归扩展混合方法(DREM)与所提出的一种新型滤波器(采用带遗忘的积分运算)和递归最小二乘法相结合,构造了一种新的I-DREM模型参考自适应控制(MRAC)系统。它不需要事先知道对象的控制输入矩阵的符号或元素值。它还提供了适应过程的指数收敛(具有自动可调的适应率),而无需回归器持续激励。这种控制系统可以解决自适应控制的三个实际问题:1)在回归量初始激励条件下,使控制器参数误差指数收敛; 2)使这种收敛单调; 3)根据当前回归量值在线计算自适应率。数值实验验证了该方法的有效性。
2021-05-03 cs.SY eess.SY
Exponentially Stable Adaptive Control Under Semi-PE Condition
在半持续激励(s-PE)条件下,提出了一种补偿匹配参数不确定性的指数稳定自适应控制方法.它基于作者早期开发的广义动态回归扩展和混合过程,不需要高自适应增益或数据堆栈,并确保:1)当回归量为s-PE时,跟踪误差指数收敛到零,参数1指数收敛到有界集,2)一阶可调参数暂态(每个标量参数使用单独的一阶标量微分方程来调整),3)对不确定性参数值的变化的警觉性,以及4)当回归量不是s-PE时所有信号的有界性。所提出的方法的主要突出特点是,指数稳定性的控制器参数估计收敛到的值,是从真实的不可区分的保证。数值实验的结果充分支持了理论分析,并证明了所提出的方法的优点。
2022-10-21 cs.SY eess.SY
Accelerated Learning with Robustness to Adversarial Regressors
Massachusetts Institute of Technology(麻省理工学院);Air Force Research Laboratory(空军研究实验室);Brigham and Women’s Hospital(布莱根妇女医院);Harvard Medical School(哈佛医学院)
基于高阶动量的参数更新算法在机器学习模型的训练中得到了广泛的应用。最近,与变分方法的连接,导致了新的学习算法的推导与加速学习的保证。然而,这种方法只考虑了静态回归的情况。在控制理论中,对于参数更新算法,存在对抗性时变回归量时,可以证明其是稳定的,这是一个重要的需求。在本文中,我们提出了一个新的离散时间算法,1)提供了稳定性和渐近收敛的保证,在对抗回归的存在下,利用自适应控制理论的见解和2)提供非渐近加速学习保证,利用凸优化的见解。特别是,我们的算法达到了$ε$次最佳点,在最多$\tilde{\mathcal{O}}(1/\sqrtε)$迭代时,回归是常数匹配下界由于Nesterov的$Ω(1/\sqrtε)$,高达一个$\log(1/ε)$因子,并提供了保证边界的稳定性时,回归是随时间变化的。我们提供了数值实验的一个变种Nesterov的证明困难的凸优化问题随时间变化的回归,以及恢复图像随时间变化的模糊和噪声使用流数据的问题。
2021-06-05 cs.LG cs.SY eess.SY
Unbiased Parameter Estimation via DREM with Annihilators
针对受扰动的自适应控制中DREM方法只能给出有偏参数估计的问题,本文结合BELS方法提出带零化子的改进DREM方案,可渐近实现无偏估计,结果可用于自适应观测器与控制系统设计。
2024-12-11 cs.SY eess.SY
Instrumental Variables based DREM for Online Asymptotic Identification of Perturbed Linear Systems
针对非消失且与回归量相关的有界扰动,本文提出融合工具变量与平均机制的DREM扩展方法,实现受扰线性系统未知参数的在线无偏渐近辨识。
2024-04-05 cs.SY eess.SY
Composite Adaptive Control for Anti-Unwinding Attitude Maneuvers: An Exponential Stability Result Without Persistent Excitation
针对具有不确定常数惯性参数的刚体自适应防退绕姿态跟踪控制问题,在不需要满足持续激励条件的情况下,给出了指数稳定性结果.具体而言,复合浸入和不变性(I&I)自适应控制器是通过将预测误差驱动的学习律集成到动态缩放的I&I自适应控制框架中来导出的,其中我们修改缩放因子,使得算法设计不涉及任何动态增益。为了避免解旋问题,引入了一个障碍函数作为姿态误差函数,同时巧妙地建立了两个关键的代数性质,用于指数稳定性分析。采用回归量滤波方法,结合动态回归量扩展和混合(DREM)过程,仅使用容易获得的信号来获得预测误差。特别地,借助于一个建设性的线性时变滤波器,扩展了DREM的标量回归量以产生一个新的令人兴奋的对应物。在这种方式中,导出的控制器允许闭环指数稳定,没有PE,在这个意义上,输出跟踪和参数估计误差指数收敛到零。此外,复合学习法增加了幂项,以实现同步有限/固定时间参数收敛。数值模拟进行验证的理论研究结果。
2021-08-23 cs.SY eess.SY
Hierarchical parameter estimation for distributed networked systems: a dynamic consensus approach
Cinvestav-Guadalajara(瓜达拉哈拉墨西哥国立理工学院高级研究中心);University of Zaragoza(萨拉戈萨大学)
本文提出一种两阶段分布式框架,用于全局估计网络系统中的常数参数,通过动态平均共识聚合代理测量,再利用局部估计器确定参数,设计合适共识增益以保证局部梯度估计器的指数收敛。
2026-05-12 cs.SY eess.SY math.OC
Parameter Estimation-Based Extended Observer for Linear Systems with Polynomial Overparameterization
针对受有界扰动的线性时不变过参数化系统,提出一种指数稳定的扩展自适应观测器,能重构物理状态、确保误差收敛、用代数方程估计状态并重构外部扰动。
2024-02-13 cs.SY eess.SY
State estimation for a class of nonlinear time-varying uncertain system under multiharmonic disturbance
针对多谐波干扰下的非线性时变不确定系统,提出一种三步观测器综合方法,结合自回归模型与DREM方法在有限时间内重构参数与干扰,最终构建无需测量输出导数的状态观测器,仿真验证了其有效性。
2024-07-25 cs.SY eess.SY
Adaptive Output Tracking Control with Reference Model System Uncertainties: Extensions
本文扩展了针对未知参考模型系统的自适应输出跟踪控制,涵盖SISO离散时间及MIMO离散时间、连续时间和反馈线性化系统,通过参数化估计器处理不确定性,确保误差系统完全参数化以设计稳定更新律。
2024-12-16 cs.SY eess.SY
Initial Excitation-based Adaptive Observers for Discrete-Time LTI Systems
针对离散时间LTI系统自适应观测器研究不足的问题,提出基于初始激励的自适应观测器,无需无限时长激励,可实现状态与参数的有界指数收敛,仿真验证了其有效性。
2025-11-17 cs.SY eess.SY
Distributed Parameter Estimation under Gaussian Observation Noises
本文研究了传感器网络中的分布参数估计问题。每个传感器对未知的$d$维参数进行连续观测,该参数可能受到高斯随机噪声的影响。它们的目标是通过相互合作来推断未知参数的真实值。为此,我们首先将所谓的动态回归扩展和混合(DREM)算法推广到随机系统,估计$d$维矢量参数的问题转化为$d$标量的问题:每个未知参数一个。对于每个标量问题,给出了一种估计方案,其中每个传感器融合其邻域内的回归量和测量值,并通过使用最小均方来更新其局部估计。特别地,还为每个传感器引入计数器,其防止任何(噪声)测量被重复使用,使得估计性能将不会受到某些极值的极大影响。提出了一种新的激励条件\textit{local persistent excitation}(Local-PE)条件,该条件放宽了传统的持续激励(PE)条件,只要求每个传感器邻域内的集合信号被充分激励。与本地PE条件和适当的步长,我们表明,所提出的估计保证每个传感器推断的真实参数的均方,即使他们中的任何一个人不能。最后给出了数值例子来说明所建立的结果。
2023-03-21 cs.SY eess.SY