Remote Identification Trajectory Coverage in Urban Air Mobility Applications
随着城市空中机动性（UAM）和高级空中机动性（AAM）的不断成熟，需要同时实施的安全关键系统是无人机系统（UAS）的远程识别（Remote ID）。为了确保成功和有效的部署（例如，最大限度地监视UAS轨迹），以及更好地了解二次影响（例如，收集实时UAS轨迹信息时的消费者隐私风险），需要表征广播-接收远程ID架构的覆盖范围。出于这种需要，我们研究了几种常见的远程ID技术的理论和经验轨迹覆盖率（例如，蓝牙，Wi-Fi）部署用于城市包裹递送任务，这是UAM和AAM的常见用例。我们推导出的方法来明确计算理想化的几何形状下的预期覆盖比例，以及进行案例研究与现实的城市地理和无人机路径规划算法。结果的示例包括实现加利福尼亚州旧金山的特定轨迹覆盖比例所需的远程ID接收器的近似大小（实现蓝牙传统的50- 95%覆盖所需的大约500-5000个接收器，以及Wi-Fi NAN/信标的相同覆盖范围所需的大约10-40个接收器，假设巡航高度为200英尺）。我们的分析，结合与远程ID带宽和部署拓扑相关的补充工作，可以帮助指导市政当局和AAM利益相关者在未来的远程ID系统部署和维护。
2023-02-19 cs.SY eess.SY
Towards agrobots: Identification of the yaw dynamics and trajectory tracking of an autonomous tractor
University of Leuven (KU Leuven)（鲁汶大学）；Nanyang Technological University（南洋理工大学）
随着农业面积越来越有限，能源和劳动力成本增加，需要更高效的农业机械。为了提高其效率，轨迹跟踪问题的自主拖拉机，作为一种农业生产机械，在这项研究中已经研究。模型预测控制作为一种广泛应用的基于模型的控制方法，能够处理系统中状态和执行器的约束，因此本文将其应用于拖拉机的横摆动力学控制。采用非线性最小二乘频域系统辨识辨识偏航动力学。速度由比例-积分-微分控制器控制，并且运动轨迹控制器用于计算子系统的期望速度和期望横摆率信号，以便最小化纵向和横向方向上的跟踪误差。实验结果表明，所提出的控制方案的准确性和效率，其中欧几里得误差小于$40$ cm的基于时间的直线轨迹和$60$ cm的基于时间的曲线轨迹，分别。
2021-04-14 cs.RO cs.SY eess.SY
Active Sensing and Deferred-Decision Trajectory Optimization for Robust Target Identification
Department of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程系）；Department of Electrical Engineering, University of Notre Dame（诺丁汉大学电气工程系）
提出主动感知延迟决策轨迹优化（AS-DDTO）框架，通过引入轨迹依赖的信息获取项，在保持可达性的同时偏向早期识别区域，实现资源约束下的目标识别。
2026-06-23 cs.AI cs.LG cs.SY
Robust Data-Driven Output Feedback Control via Bootstrapped Multiplicative Noise
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；The Australian National University（澳大利亚国立大学）
我们提出了一个强大的数据驱动的输出反馈控制算法，显式地将固有的有限样本模型估计不确定性的控制设计。该算法有三个组成部分：（1）一个子空间识别标称模型估计;（2）一个自举响应方法，量化的非渐近方差的标称模型估计;和（3）一个非传统的鲁棒控制设计方法，包括耦合的最佳动态输出反馈滤波器和控制器与乘性噪声。所提出的方法的一个主要优点是，系统辨识和鲁棒控制设计过程都使用随机不确定性表示，使实际固有的统计估计不确定性直接对准的不确定性的鲁棒控制器正在设计。此外，控制设计方法容纳了一个高度结构化的不确定性表示，可以捕捉不确定性形状比现有的方法更有效。我们通过数值实验表明，所提出的鲁棒数据驱动的输出反馈控制器可以显着优于确定性等效控制器的样本复杂性和稳定性鲁棒性的各种措施。
2022-05-10 cs.LG cs.SY eess.SY
Adaptive Lyapunov-constrained MPC for fault-tolerant AUV trajectory tracking
本文针对AUV推进器故障下的轨迹跟踪问题，提出自适应Lyapunov约束MPC方法，结合Bayesian在线故障识别实现软切换，并通过Lyapunov约束保证切换稳定性，仿真验证了其低跟踪误差和快速故障适应能力。
2025-09-21 cs.SY eess.SY
Simultaneous Online System Identification and Control using Composite Adaptive Lyapunov-Based Deep Neural Networks
University of Florida（佛罗里达大学）
针对非线性系统，提出一种基于李雅普诺夫稳定性分析的深度神经网络在线自适应更新方法，同时实现系统辨识与轨迹跟踪，并保证跟踪误差、状态导数估计误差和网络权重估计误差一致最终有界。
2026-05-21 cs.SY eess.SY
Non-asymptotic Identification of LTI Systems from a Single Trajectory
Department of Electrical and Computer Engineering, University of California, Riverside, CA（加州大学河滨分校电子工程与计算机科学系）；Electrical Engineering and Computer Science Department, University of Michigan, Ann Arbor, MI（密歇根大学安娜堡分校电气工程与计算机科学系）
该研究通过单轨迹输入输出数据，利用霍尔-卡尔曼算法在有限时间内学习线性时不变系统的马尔可夫参数，并结合稳定性结果和样本复杂度分析，确定学习系统平衡实现所需的数据量。
2019-02-03 cs.LG 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
Non-asymptotic System Identification for Linear Systems with Nonlinear Policies
本文针对非线性或时变策略下线性系统的单轨迹辨识，给出最小二乘估计的非渐近误差界，推广了现有结果，并应用于安全鲁棒模型预测控制。
2023-06-17 cs.SY eess.SY math.OC
Online Modeling and Sequential Convex Programming for Lunar Landing Trajectory Optimization
The University of Tennessee（田纳西大学）
研究月球动力下降和着陆的制导框架，结合序列凸规划与实时在线模型识别。将非凸能量最优着陆问题转化为凸二阶锥规划序列，用在线识别层估计扰动并注入修正项，开发算法并探索理论基础，数值模拟验证算法效果。
2026-07-07 cs.SY eess.SY math.OC
Learning Fractional-Order Dynamics from a Single Trajectory
University of Southern California（南加州大学）；Carnegie Mellon University（卡内基梅隆大学）
本文针对分数阶线性时不变系统，提出FO-GS两阶段估计器，利用差分算子对角结构解耦辨识，在单条轨迹下实现误差$\mathcal{O}(t^{-1/2})$，并优于现有基线。
2026-09-17 cs.LG cs.SY eess.SY
Multi-Agent System Identification with Nonlinear Sheaf Diffusion
Department of Computer Science, Georgia Tech（佐治亚理工学院计算机科学系）；Department of Electrical & Computer Engineering, Georgia Tech（佐治亚理工学院电气与计算机工程系）
本文研究多智能体系统中非线性sheaf扩散的识别问题，指出拓扑学中的sheaf上同调是恢复交互规律的关键因素，通过实验验证了在有限维参数化类中恢复的可行性。
2026-05-11 cs.LG cs.MA cs.SY
Fault-Tolerant MPC Control for Trajectory Tracking
School of Science and Technology, NOVA University of Lisbon（新里斯本大学科学技术学院）；CTS - Centro de Tecnologia e Sistemas part of LASI（LASI下属的技术与系统中心）；Institute for Systems and Robotics, Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院系统与机器人研究所）
本文提出一种结合主动故障识别的容错MPC控制方法，通过集约束凸生成器和SVD分解实现在线模型自适应，提升轨迹跟踪性能。
2026-03-30 cs.SY eess.SY
BLISS: Global Blind Identification of Linear Systems with Sparse Inputs
University of Pennsylvania（宾夕法尼亚大学）
本文提出BLISS方法，通过将稀疏输入假设下的盲系统识别与完整字典学习联系起来，建立全局可辨识性理论，实现单轨迹全局恢复真实系统。
2026-04-01 cs.SY eess.SY
Reinforcement learning for efficient and robust multi-setpoint and multi-trajectory tracking in bioprocesses
针对生物过程多设定点与时变轨迹跟踪难题，提出基于乘法倒数饱和函数的强化学习回报函数，并在微生物群落光介导控制案例中验证其更快收敛、更稳定、更鲁棒。
2025-06-24 cs.SY eess.SY
Influence Functions for Data Attribution in Linear System Identification and LQR Control
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出利用影响函数工具，通过结合正则化最小二乘辨识与无限时间LQR流程，分析数据对控制器性能的影响，实现高精度的数据归因与加速训练。
2026-03-24 cs.SY eess.SY
Identification of Friction Models for MPC-based Control of a PowerCube Serial Robot
对于基于模型的控制，准确且在其复杂性方面合适地表示真实系统是高和鲁棒控制质量的决定性先决条件。在一个结构化的一步一步的过程中，模型预测控制（MPC）方案的Schunk PowerCube机器人推导。Neweul-M $^2$以符号和数值形式提供了必要的非线性模型。为了解决推导出的非线性模型所带来的在线计算负担，基于对非线性系统关于期望轨迹的线性化和先验已知的相应前馈控制器，提出了一种线性时变MPC方案。为了提高关节非线性摩擦模型的识别，一个非线性回归方法和稀疏识别的非线性动力学（SINDy）进行了比较与对方的鲁棒性，在线自适应性，和必要的输入数据的预处理。一切都是在一个超薄，低成本的控制系统与标准的笔记本电脑。
2022-03-21 cs.SY eess.SY
Smart Predict-Then-Control: Control-Aware Surrogate Refinement for System Identification
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出Smart Predict-Then-Control方法，通过优化代理目标函数改进基于模型的控制。在四旋翼轨迹跟踪任务中，Updated SPC将跟踪RMSE降低70%，闭环成本降低42%。
2026-03-25 cs.SY eess.SY
Data-driven Self-triggered Control via Trajectory Prediction
自触发控制是一种在保证系统性能的同时减少通信开销的技术，它越来越受欢迎。然而，现有的自触发控制方法需要明确的系统模型，假设完全已知的先验。被称为数据驱动控制的端到端控制范例直接从数据中学习控制律，并提供了与常规系统辨识-然后控制方法竞争的替代方案。在此背景下，本文提出了数据驱动的自触发控制方案的未知线性系统使用离线收集的数据。具体地，对于输出反馈控制系统，提出了数据驱动的模型预测控制（MPC）方案，其计算控制输入的序列，同时生成预测的系统轨迹。一个数据驱动的自触发律设计使用预测的轨迹，以确定下一个触发时间，一旦一个新的测量变得可用。对于状态反馈控制系统，不是利用MPC来预测轨迹，而是利用预先收集的输入状态数据来解决数据拟合问题，其解用于构造自触发机制。所提出的自触发控制器的可行性和稳定性，这是通过数值例子进行验证。
2022-07-18 cs.SY eess.SY
Adaptive Dual Covariance Steering with Active Parameter Estimation
针对含乘性未知参数与附加扰动的系统，本文提出基于递归最小二乘在线估计的自适应双重协方差控制方法，通过优化控制策略对参数估计的影响实现闭环辨识，并在车辆控制示例中验证其有效性。
2024-03-22 cs.SY eess.SY
Distinguishing Aerial Intruders from Trajectory Data: A Model-Based Hypothesis-Testing Approach
受无人机系统（UAS）操作中的安全需求的启发，一种用于识别空域入侵者（例如，鸟类与无人机）。该算法的结构使用感测入侵者的速度数据从物联网平台与有限的知识的物理模型。的识别问题是作为一个统计假设检验或检测问题，其中惯性反馈控制对象受到随机驱动必须区分的速度数据。首先得到了最大后验概率检测器，然后将其简化为基于数据样本自相关中两点的显式计算。简化的形式允许算法的计算友好的实现，以及从存档数据的简化学习。此外，检测器的错误的总概率的计算和特征。基于合成数据的仿真来说明和补充正式的分析。
2021-05-16 cs.SY eess.SY
Robust Learning-Based Control via Bootstrapped Multiplicative Noise
University of Texas at Dallas（德克萨斯大学达拉斯分校）
尽管在自适应控制和强化学习方面进行了数十年的研究和最近的进展，但仍然缺乏对设计控制器的基本理解，这些控制器对由有限噪声数据估计的模型产生的固有非渐近不确定性提供鲁棒性。我们提出了一种鲁棒自适应控制算法，明确地将这种非渐近不确定性的控制设计。该算法有三个组成部分：（1）一个最小二乘标称模型估计;（2）一个自举响应方法，量化的非渐近方差的标称模型估计;和（3）一个非传统的鲁棒控制设计方法，使用最优线性二次型调节器（LQR）与乘性噪声。所提出的方法的一个主要优点是，系统辨识和鲁棒控制设计过程都使用随机不确定性表示，使实际固有的统计估计不确定性直接对准的不确定性的鲁棒控制器的设计。我们通过数值实验表明，所提出的鲁棒自适应控制器可以显着优于确定性等价控制器的预期后悔和后悔风险的措施。
2021-08-11 cs.LG cs.SY eess.SY
Non-Asymptotic Bounds for Closed-Loop Identification of Sub-Exponentially Growing Nonlinear Stochastic Systems
Leibniz University Hannover（汉诺威莱布尼茨大学）；University of Melbourne（墨尔本大学）
该研究针对离散时间不稳定闭环非线性随机系统，基于单轨迹数据开展最小二乘参数估计，在满足次指数输入到状态增长等条件下建立估计误差的非渐近保证，结果可用于现有工作之外的分析。
2026-08-27 cs.LG cs.SY eess.SY
Finite Sample Identification of Bilinear Dynamical Systems
University of California, Riverside（加州大学河滨分校）；University of Michigan Ann Arbor（密歇根大学安娜堡分校）
双线性动力系统在许多领域都是普遍存在的，它们也可以用来近似更一般的仿射控制系统。这激发了从系统的状态和输入的单一轨迹学习双线性系统的问题。在一个温和的边际均方稳定性假设下，我们确定需要多少数据来估计未知的双线性系统以高概率达到所需的精度。我们的样本复杂度和统计出错率是最佳的轨迹长度，系统的维数和输入大小。我们的证明技术依赖于鞅小球条件的应用。这使我们能够正确地捕捉问题的属性，特别是我们的出错率不会随着不稳定性的增加而恶化。最后，我们表明，数值实验与我们的理论结果是一致的。
2022-08-29 cs.LG cs.SY eess.SY
A finite-sample bound for identifying partially observed linear switched systems from a single trajectory
HUN-REN SZTAKI and ELTE（HUN-REN SZTAKI和ELTE）；Univ. Lille, CNRS, Centrale Lille, UMR 9189 CRIStAL；HUN-REN SZTAKI
该研究针对单轨迹下的线性切换系统辨识问题，推导了基于马尔可夫参数估计与Ho-Kalman算法变体的辨识算法的有限样本概率误差界，证明其在二次稳定假设下的统计一致性，为该场景下首个此类结果。
2025-05-16 cs.LG cs.SY eess.SY
Trajectory Tracking for Robotic Arms with Input Saturation and Only Position Measurements
Jan C. Willems Center for Systems and Control（扬·C·威廉姆斯系统与控制中心）；Engineering and Technology Institute Groningen (ENTEG)（格罗宁根工程技术研究所（ENTEG））；University of Groningen（格罗宁根大学）
在这项工作中，我们提出了一种基于无源性的控制方法，解决了一类机械系统，包括广泛的机器人手臂的轨迹跟踪问题。所得到的控制器可以是自然饱和的，并且不需要速度测量。此外，所提出的方法不需要实施的观察员，和闭环系统的结构允许识别的李雅普诺夫函数，这简化了收敛性分析。为了证实该方法的有效性，我们与飞利浦实验机器人手臂进行实验。
2020-10-22 cs.RO cs.SY eess.SY
A Data-Driven Approach for High-Impedance Fault Localization in Distribution Systems
National Renewable Energy Laboratory（国家可再生能源实验室）；The University of Tennessee（田纳西大学）
针对配电网中低故障电流导致高阻抗故障难以检测的问题，提出一种基于分段函数特征提取与支持向量机的数据驱动方法，实现了高效且准确的实时故障定位。
2023-11-26 cs.LG cs.SY eess.SY
Data-Driven Probabilistic Fault Detection and Identification via Density Flow Matching
California Institute of Technology（加州理工学院）
本文基于轨迹概率密度流建模故障特征，利用2-沃瑟斯坦度量表征可检测性，提出数据驱动的FDI方法，通过条件流匹配和FiLM条件化提升泛化能力，在航天器姿态控制中验证了其优于EKF的可靠性与低误报率。
2026-03-26 cs.SY eess.SP eess.SY
Identification of LTV Dynamical Models with Smooth or Discontinuous Time Evolution by means of Convex Optimization
Lund University（隆德大学）
本文通过凸优化方法建立趋势过滤与系统识别的联系，提出识别线性时变LTV动态模型的新方法，支持连续或不连续动态变化，并讨论在激励不足时对模型参数的先验约束。
2018-02-27 cs.SY eess.SY stat.ML
System Identification and Control Using Lyapunov-Based Deep Neural Networks without Persistent Excitation: A Concurrent Learning Approach
Department of Mechanical and Aerospace Engineering, University of Florida（机械与航空航天工程系，佛罗里达大学）；Munitions Directorate, Air Force Research Laboratory（空军研究实验室弹药部门）
针对现有DNN控制方案忽视系统动力学辨识且需持续激励的问题，提出两种并发学习自适应律，结合Lyapunov稳定性分析，在无持续激励下同时实现轨迹跟踪与在线辨识，函数逼近性能显著提升。
2025-05-15 cs.LG cs.SY eess.SY
A Data-Driven Koopman-Behavioral Distance for Nonlinear Dynamical Systems
Clemson University（克莱姆森大学）
本文提出一种基于Koopman算子和行为子空间的非线性随机系统距离度量，利用轨迹数据提升并比较子空间，实现坐标不变性和参数判别。
2026-09-09 cs.SY eess.SY math.DS
A Dynamic Mode Decomposition Approach to Parameter Identification
Oklahoma State University（俄克拉荷马州立大学）；University of Florida（佛罗里达大学）
本文提出了一种数据驱动算法，用于控制仿射非线性系统的联合系统识别和参数估计，通过训练预测模型准确恢复系统轨迹和未知参数。
2026-10-09 cs.SY eess.SY math.OC
Finite-time Identification of Stable Linear Systems: Optimality of the Least-Squares Estimator
Royal institute of Technology (KTH)（瑞典皇家理工学院）
我们提出了稳定线性定常系统普通最小二乘（OLS）估计器估计误差的新有限时间分析。我们将观测样本的数量（观测轨迹的长度）描述为足以使OLS估计器为$(\varepsilon,δ)$ -PAC，即，以产生小于$\varepsilon$的估计误差，概率至少为$1-δ$。我们表明，这个数字匹配现有的样本复杂度下界[1，2]的通用乘法因子（独立的（$\varepsilon,δ)$和系统）。因此，本文建立了稳定系统OLS估计的最优性，这是文[1]中的一个结果。我们对OLS估计器性能的分析比现有的分析更简单，更清晰，更容易解释。它依赖于协变量矩阵的新浓度结果。
2020-03-26 cs.LG cs.SY eess.SY
COSMIC: fast closed-form identification from large-scale data for LTV systems
我们介绍了一个封闭形式的方法，用于识别离散时间线性时变系统的数据，制定的学习问题作为一个正则化的最小二乘问题，其中正则化有利于光滑的解决方案在一个轨迹。我们开发了一个封闭形式的算法，保证最优性和复杂性，线性增加的数量考虑每个轨迹的时刻。COSMIC算法即使在存在大量数据的情况下也能达到预期的结果。我们的方法解决了这个问题，使用两个数量级的计算能力比一般用途的凸求解器，是约3倍的速度比随机块坐标下降特别设计的方法。我们的方法的计算时间保持在数量级的第二，即使为10k和100k的时刻，通用求解器崩溃。为了证明其适用于现实世界的系统，我们测试与弹簧质量阻尼器系统，并使用估计模型，以找到最优控制path.Our算法被应用到低保真和功能工程模拟器的彗星拦截器任务，这需要在快速动态环境中的车载摄像机的精确指向。因此，本文提供了一个快速的替代经典的线性时变系统的系统辨识技术，同时证明是一个坚实的基础，在航天工业中的应用程序，并向前迈出了一步，将利用数据在这样一个安全关键的环境中的算法。
2022-05-29 astro-ph.IM cs.SY eess.SY
On Data-Driven Model Identification for Nonlinear Optimal Control
TAMU（德克萨斯农工大学）
本文针对非线性最优控制中的数据驱动模型辨识，揭示高阶大域近似存在方差与病态性诅咒，并提出迭代辨识局部LTV模型结合ILQR的方法，可有效缓解问题并局部精确求解。
2026-09-22 cs.SY eess.SY math.OC
Modelling, identification and geometric control of autonomous quadcopters for agile maneuvering
Institute for Computer Science and Control（计算机科学与控制研究所）；Eindhoven University of Technology（埃因霍温理工大学）
本研究提出一套多步骤流程，涵盖自主四旋翼的动力学建模、参数辨识与非线性轨迹跟踪控制器设计，旨在加快新机型调试以快速实现高精度敏捷机动，并通过自研平台的实飞实验验证了方法性能。
2023-06-16 cs.RO cs.SY eess.SY
Sample Complexity Bounds for Linear System Identification from a Finite Set
University of Stuttgart（斯图加特大学）
针对从有限候选集合中利用轨迹数据辨识 LTI 系统的问题，本文基于最大似然估计给出无需稳定性假设的样本复杂度上界，并利用信息论给出估计器无关的下界，且进行了解析与数值分析。
2024-12-02 cs.LG cs.SY eess.SY
High Dimensional Geometry and Limitations in System Identification
本文研究了从单条轨迹辨识线性动态系统的问题，揭示了高维下普通最小二乘估计量存在不消失误差的几何与概率机制，并利用测度集中现象和负二阶矩恒等式阐明了其在稳定不可对角化及爆炸式可对角化系统上的局限性。
2023-05-20 cs.SY eess.SY math.ST
Achieving $\widetilde{O}(1/ε)$ Sample Complexity for Bilinear Systems Identification under Bounded Noises
Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系）；Cornell University AI for Science Institute, Cornell University（康奈尔大学AI for Science研究所）
针对有界对称对数凹扰动下的离散时间双线性系统，提出有限样本集成员辨识方法，证明可行参数集直径以 $\widetilde{\mathcal O}(1/\epsilon)$ 的样本复杂度收缩，并通过仿真验证了不确定性量化的优势。
2026-06-23 cs.LG cs.SY eess.SY
Non-asymptotic Identification of Linear Dynamical Systems Using Multiple Trajectories
研究了利用输入输出数据的线性时不变（LTI）系统辨识问题。最近的工作提供了非渐近的结果，部分可观察的LTI系统辨识使用一个单一的轨迹，但只适用于稳定的系统。我们提供有限时间分析学习马尔可夫参数的基础上，普通最小二乘（OLS）估计使用多个轨迹，其中包括稳定和不稳定的系统。对于不稳定的系统，我们的研究结果表明，马尔可夫参数更难估计过程噪声的存在。在没有过程噪声的情况下，我们的估计误差的上界是独立的谱半径的系统动力学具有高概率。这两个特点是从充分观察到的LTI系统，最近的工作表明，不稳定的系统与更大的谱半径更容易估计。大量的数值实验证明了我们的OLS估计的性能。
2020-11-08 cs.SY eess.SY math.DS
From Spectral Theorem to Statistical Independence with Application to System Identification
Duke University（杜克大学）
本文利用谱定理揭示高维随机动力系统中特征值重数差异与统计独立性的联系，并首次给出状态转移矩阵幂的衰减率定量估计，为系统辨识的最小二乘估计提供非渐近误差分析基础。
2023-10-16 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
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
