Forgetting While Remembering, an Invariant Online Data-Driven Predictive Control Formulation
University of Padova(帕多瓦大学);Swiss Federal Institute of Technology (ETH)(瑞士联邦理工学院(苏黎世联邦理工学院));University of Melbourne(墨尔本大学)
针对低信噪比下线性时变系统的在线数据驱动预测控制,提出基于ARX模型和卡尔曼滤波的贝叶斯框架,通过不变先验在遗忘旧数据时保持先验,实验验证其有效性。
2026-09-17 cs.SY eess.SY
Online Traffic Routing: Deterministic Limits and Data-driven Enhancements
在过去的十年中,支持GPS的交通应用程序,如谷歌地图和Waze,已经变得无处不在,并对数十亿日常通勤者的出行模式产生了重大影响。这种应用的在线路线建议的结果,例如,通过贪婪的路线选择,由于引起的行进模式可能远离系统最优,因此经常增加交通拥堵。受交通应用对出行模式的广泛影响的启发,本文研究了容量受限的平行道路网络背景下的在线交通路由,并从两个角度分析了这个问题。首先,我们进行了最坏情况下的分析,以确定确定性的在线路由的限制,并表明之间的比率的总旅行成本的在线解决方案的任何确定性算法和最佳的离线解决方案是无界的,即使在简单的设置。这一结果促使我们超越最坏情况分析。在这里,我们考虑利用过去的问题实例的知识的算法,并展示如何设计数据驱动的算法,其性能可以量化,并正式推广到看不见的未来实例。我们提出了数值实验的基础上的应用程序的情况下,旧金山湾区,以评估我们的方法的性能。我们的研究结果表明,我们开发的数据驱动算法优于常用的贪婪在线路由算法。
2021-09-17 cs.SY eess.SY math.OC
Choose Wisely: Data-driven Predictive Control for Nonlinear Systems Using Online Data Selection
ETH Zurich(苏黎世联邦理工学院)
提出Select-DPC方法,通过在线选择最相关数据隐式线性化动力学,结合凸优化实现输出反馈控制,在三个基准仿真中优于DeePC和Time-Windowed DeePC。
2026-06-18 cs.SY eess.SY
An Online Data-Driven Method for Microgrid Secondary Voltage and Frequency Control with Ensemble Koopman Modeling
微电网的低惯性、非线性和高度不确定性(拓扑结构和运行条件的变化)对微电网的全系统运行提出了挑战。提出了一种在线自适应Koopman算子最优控制(AKOOC)方法用于MG二次电压和频率控制。与典型的数据驱动方法,数据饥饿,缺乏保证的稳定性,所提出的AKOOC不需要预热训练,但有保证的有界输入有界输出(BIBO)的稳定性,甚至在一些温和的条件下渐近稳定。所提出的AKOOC开发的基础上合奏Koopman状态空间建模与完整的基函数,结合了线性和非线性基础,而不需要事件检测或切换。采用迭代学习的方法对模型参数进行优化,保证了控制的有效性和自适应性。在4节点(详细的内环控制)MG系统和34节点MG系统的仿真研究表明,提高建模精度和控制,验证了所提出的方法的有效性,即使在各种操作条件的变化,即使有时间延迟,测量噪声,和丢失的测量。
2022-07-11 cs.SY eess.SY
Data-Driven Adversarial Online Control for Unknown Linear Systems
Georgia Institute of Technology(佐治亚理工学院)
针对未知线性系统对抗式在线控制问题,提出基于行为系统理论和在线梯度下降的新型数据驱动算法,达到已知最优$\tilde{O}(T^{2/3})$悔界,并扩展至输出反馈场景。
2024-03-09 cs.LG cs.SY eess.SY
An Online Adaptation Strategy for Direct Data-driven Control
本研究提出一种在线自适应策略,通过在控制过程中作为观测器并行运行并基于秩条件更新数据驱动的非参数系统表示,扩展了行为系统理论基本引理范式在强非线性系统中的适用性,并在双连杆机械臂的预测控制仿真中验证了其性能。
2023-04-06 cs.SY eess.SY
Dynamic Security Assessment of Small-Signal Stability for Power Systems using Windowed Online Gaussian Process
由于电网的演化特性和模型的不确定性,电力系统的在线稳定评估一直是一个具有挑战性的问题。本文旨在为电力系统吸引域的实时估计提供一个理论框架。通过分析和学习给定时间段内的测量数据,开发了一种加窗在线高斯过程(GP)方法,以提供实时的安全评估,并量化测量误差和电力系统的动态演化所造成的不确定性。此外,进行了理论分析,以确保会议水平的估计吸引区域。最后,在一个含$9$母线和$3$发电机的微电网模型上进行了数值仿真,验证了所提方法的有效性.所提出的在线评估方法有助于提高人类操作员的态势感知,从而在紧急情况发生前采取补救措施。
2019-11-24 cs.SY eess.SY
Online Data-Driven Safety Certification for Systems Subject to Unknown Disturbances
本文提出一种在线数据驱动的安全性验证策略,通过滚动时域估计器在线表征未知干扰并结合计算图分析工具进行可达性计算,以实时验证自主系统避开危险区域,理论证明与无人水面艇硬件实验均验证了其有效性。
2023-10-30 cs.SY eess.SY
An Online Feedback-Based Linearized Power Flow Model for Unbalanced Distribution Networks
潮流模型的非线性、非凸性和相位耦合性给不平衡配电网的分析和优化带来了挑战。为了解决这一问题,本文提出了一种基于在线反馈的不平衡配电网的线性化潮流模型的Y形连接和三角形连接的负荷。基于在线反馈的线性化模型基于支路流模型的一阶泰勒展开,并且通过利用在前一时间步长处的瞬时测量电压和负载消耗经由在线反馈来更新模型参数。它的闭环性质可以渐近地缓解模型失配,从而使其具有良好的性能。此外,利用不平衡辐射状配电网的接线结构,我们提出了一个统一的矩阵向量紧凑形式的线性化潮流模型。最后,通过IEEE 123节点系统的数值算例验证了该模型的有效性和优越性。一个简单的最优潮流的情况下,也提供了说明在线反馈为基础的线性化模型的应用。
2021-07-26 cs.SY eess.SY
Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven
Beijing Institute of Technology(北京理工大学);Arizona State University(亚利桑那州立大学)
在本文中,时间驱动学习是指随着新数据的到来不断更新预测模型中参数的机器学习方法。在现有的近似动态规划(ADP)和强化学习(RL)算法中,直接启发式动态规划(dHDP)已被证明是解决复杂学习控制问题的有效工具。它随着系统状态的不断演化不断更新控制策略和临界点。因此,期望防止时间驱动的dHDP由于诸如噪声的不重要的系统事件而更新。为了实现这一目标,我们提出了一个新的事件驱动的dHDP。通过构造一个李雅普诺夫函数候选,我们证明了系统状态和权值在批评和控制策略网络中的一致最终有界性。因此,我们显示了近似控制和成本去功能接近贝尔曼最优在有限的范围内。我们还说明了事件驱动的dHDP算法的工作原理相比,原来的时间驱动的dHDP。
2020-06-16 cs.LG cs.SY eess.SY
Momentum-Accelerated Online Feedback Optimization for Power System Flexibility
RWTH Aachen University(亚琛工业大学);Fraunhofer Center Digital Energy, Fraunhofer FIT(弗劳恩霍夫数字能源中心,弗劳恩霍夫FIT)
本文提出一种基于动量增强的在线反馈优化控制器,用于提升电力系统灵活性的实时协调与控制性能。
2025-12-08 cs.SY eess.SY
A Unified Framework for Robust Data-Driven Model Predictive Control with Terminal Ingredients
Hong Kong University of Science and Technology(香港科技大学)
提出统一框架,利用离线数据设计鲁棒终端要素并融入一步MPC,保证递归可行性与实际指数稳定性,减少预测时域和在线计算量。
2026-10-06 cs.SY eess.SY
Online Fault Identification of Digital Hydraulic Valves Using a Combined Model-Based and Data-Driven Approach
Åbo Akademi University(奥布皇家学院);Tampere University of Technology(坦佩雷理工大学)
本文提出结合压力测量与液压系统流量平衡模型的方法,用于识别数字液压阀的故障,提升液压设备的可靠性和容错能力。
2018-03-15 cs.SY eess.SY
A Modal-Space Method for Online Power System Steady-State Stability Monitoring
提出了一种利用模态空间中的非线性电力系统动态模型估计稳态功角稳定极限的新方法。通过两次线性坐标变换和稳态条件的简化,将非线性电力系统动态模型转化为若干个单机型电力系统,并可导出其功角曲线,用于估计SSASL。所提出的方法估计SSASL的角度在所有机器和所有总线,而不需要手动指定的情况下,即设置汇和源区域,也不需要解决多个非线性潮流。对9节点和39节点电力系统的算例分析表明,该方法能够在线捕捉非周期失稳,与传统的基于潮流的分析方法相比,具有良好的稳态功角稳定性在线监测性能。
2020-05-22 cs.SY eess.SY
A Data-Driven Framework for Online Mitigation of False Data Injection Signals in Networked Control Systems
School of Engineering, The University of British Columbia(不列颠哥伦比亚大学工程学院)
提出两阶段数据驱动框架,结合元学习、小波尺度图与CNN选择预测模型,实时缓解NCS中的FDI攻击,并在移动机器人编队控制仿真中验证有效性。
2025-10-20 cs.SY eess.SY
Online learning of data-driven controllers for unknown switched linear systems
出于学习控制器的动态随时间变化的复杂系统的目标,我们考虑的问题,设计控制律的系统之间切换的一组有限的未知的离散时间线性子系统未知的切换信号。为此,我们提出了一种使用数据直接设计控制机制而无需任何显式识别步骤的方法。我们的方法是在线的,这意味着当系统在闭环中进化时,数据会随着时间的推移而收集,并直接用于迭代更新控制器。因此,所提出的在线实现的主要益处是控制器能够自动调整以适应系统的操作模式的变化。我们表明,所提出的控制机制,保证稳定的闭环切换线性系统的切换是足够慢。所提出的设计技术的有效性说明了两个航空航天应用。
2021-05-24 cs.SY eess.SY math.OC
A Unified Framework for Online Data-Driven Predictive Control with Robust Safety Guarantees
针对非线性MPC依赖精确模型且计算成本高的问题,本文提出一种在线数据驱动预测控制统一框架,通过STF并行学习识别动力学、RCBF保证安全并学习NMPC策略,结合在线策略校正方案,在保证安全的同时大幅降低计算成本。
2023-06-29 cs.SY eess.SY
Coherency and Online Signal Selection Based Wide Area Control of Wind Integrated Power Grid
提出了一种基于离散线性二次型调节器和卡尔曼滤波状态估计的广域控制(WAC)设计方法,可用于实时抑制风电并网系统的区域间振荡。所提出的方法的主要优点是,该架构提供了在线一致性分组,正确地表征实时变化的电网和在线广域信号选择的基础上,适当选择的WAC信号的剩余方法。因此,所提出的架构可以准确地监测电网中的变化,并选择适当的控制信号,以更有效地阻尼区域间的振荡相比,传统的基于本地信号的电力系统稳定器或离线的WAC设计。该架构进行了测试,风力综合两个区域系统和IEEE 39节点系统,以显示所提出的方法的能力。
2019-07-16 cs.SY eess.SY
A Predictive Online Transient Stability Assessment with Hierarchical Generative Adversarial Networks
在线暂态稳定评估(TSA)是保证电力系统安全稳定运行的重要手段。相量测量单元(PMU)数量的不断增加带来了大量数据源,可以增强在线TSA。然而,传统的数据驱动方法需要大量的瞬态数据来正确评估系统的暂态稳定状态。在本文中,一个新的数据驱动的TSA方法开发的TSA与传统方法相比,数据较少。通过使用生成和对抗网络(GAN)学习历史瞬态数据的动态行为来实现数据缩减。该知识在线用于在瞬态事件之后预测电压时间序列数据。嵌入生成网络中的分类器部署预测的事故后数据,以确定故障后系统的稳定性。所开发的基于GAN的TSA方法保留了多变量PMU时间序列数据中存在的空间和时间相关性。因此,与最先进的TSA方法相比,它仅使用一个测量数据样本和更短的响应时间就实现了更高的评估精度。在IEEE 118节点系统上进行的案例研究表明,与传统的数据驱动技术相比,基于GAN的方法具有优越的性能。
2021-12-15 cs.SY eess.SY
Online Data-Driven Reachability Analysis using Zonotopic Recursive Least Squares
Technical University of Munich(慕尼黑工业大学);German University in Cairo(开罗德国大学)
提出基于 EF ZRLS 的在线数据驱动可达性分析框架,可直接从实时状态测量计算可达集过近似,适用于离散时间 LTV 及非线性 Lipschitz 系统,保守性更低且鲁棒性强,经模拟和实际实验验证有效。
2026-08-12 cs.SY eess.SY
Relieving the Need for Bi-Level Decision-Making for Optimal Retail Pricing via Online Meta-Prediction of Data-Driven Demand Response of HVAC Systems
基于价格的暖通空调系统需求响应(DR)是一项具有挑战性的任务,需要综合模型来表示建筑热动力学和参与者之间的博弈论交互。本文提出了一种基于在线学习的策略,配电系统运营商(DSO),以确定最优的电价,考虑在商业建筑的暖通空调系统的最佳DR。人工神经网络(ANN)的训练与建筑物的能源数据,并表示使用一组显式的线性和非线性方程,没有基于物理的模型参数。然后,使用该方程组制定基于价格的DR的优化问题,并离线重复求解,从而产生关于电价和建筑热环境的各种条件下的最佳DR时间表的数据。然后在线训练另一个ANN,以直接预测日前电价的DR计划,这被称为元预测(MP)。通过用MP使能的ANN代替DR优化问题,可以使用单级决策结构来实现最优电价策略,这比两级决策结构更简单和更实用。在模拟案例研究中,所提出的单级策略被验证为成功地反映了DSO和商业建筑运营商之间的博弈论关系,使他们有效地利用HVAC系统的操作灵活性,使DR应用有利可图,同时确保电网电压稳定性和居住者的热舒适性。
2020-12-14 cs.SY eess.SY
Robustness Analysis for an Online Decentralized Descent Power allocation algorithm
Harvard University(哈佛大学);KTH Royal Institute of Technology(皇家理工学院)
本文提出在线去中心化双下降算法,分析其在快速变化的消费需求和发电容量下的鲁棒性,通过数值实验验证理论结果。
2016-01-26 cs.SY eess.SY
An Observer-Based Composite Identifier for Online Estimation of the Thevenin Equivalent Parameters of a Power System
我们认为一个Thévenin等效电路捕捉动态的电网从点的共同耦合与电力电子转换器,并提供了一个解决方案的问题,在线识别相应的电路参数。为此,我们首先推导出一个线性回归模型,在传统的abc坐标,然后设计一个有界的基于复合标识符,只需要本地测量和知识的电网频率。进一步提供了一个扩展,保证指数收敛的估计,在额外的假设下的知识的网格X/R比。通过详细的计算机模拟,说明了所提出的标识符,其中包括一个传统的梯度下降算法的性能。
2022-03-14 cs.SY eess.SY
Power-based control of output oscillations with online estimation of biased harmonics
本文扩展了离散功率控制,通过在线估计偏置谐波参数,并在带重力负载和噪声的五阶执行器系统上实验验证,减少了控制通信负担。
2025-04-23 cs.SY eess.SY
Data-Driven Transient Stability Boundary Generation for Online Security Monitoring
College of Electrical Engineering, Zhejiang University(浙江大学电气工程学院)
暂态稳定边界(TSB)是电力系统在线安全监测的重要工具,但在实际应用中,采用时域仿真(TDS)等现有方法计算量大,需要考虑多种情况(例如,操作点(OP)和N-1意外事件)。这项工作的目的是建立一个数据驱动的框架,以在有限的时间内产生足够的临界样本接近边界,覆盖当前OP中的所有关键场景。因此,准确的TSB可以通过及时跟踪当前OP定期刷新。其思想是开发一种搜索策略,以获得更多的数据样本附近的稳定性边界,而遍历其余部分与较少的样本。为了实现这一目标,提出了一种专门设计的基于瞬态索引敏感性的搜索策略和关键场景选择机制,以找出最具代表性的场景,并定期更新TSB在线监测。两个算例验证了该方法的有效性。
2020-04-03 cs.LG cs.SY eess.SY
Online power system parameter estimation and optimal operation
将可再生能源纳入电网需要基于优化的控制方案,需要可靠的电网模型。传统的参数估计和优化控制往往是解耦的,这导致估计过程中系统的运行成本很高。本工作提出了一种方法,同时最大限度地减少电网运行成本和最佳估计线参数的方法的基础上的最优设计的实验。与标准最优潮流和最大似然估计相比,该方法大大降低了最优估计的成本,并提高了参数的精度。我们说明了所提出的方法在基准系统上的性能。
2021-03-19 cs.SY eess.SY
Constraint-Guided Online Data Selection for Scalable Data-Driven Safety Filters in Uncertain Robotic Systems
University of California, Berkeley(加利福尼亚大学伯克利分校);Georgia Institute of Technology(佐治亚理工学院)
本文融合基于证书函数的方法与 GP 回归,提出约束引导的在线数据选择算法,将复杂度降至线性,并通过小车立杆摆起和五连杆双足机器人实验验证其可扩展安全滤波效果。
2024-09-27 cs.RO cs.SY eess.SY
Data-Driven Retrospective Cost Adaptive Control for Flight Control Application
与固定增益鲁棒控制不同,直接自适应控制使用部分建模信息进行在线调整。本文结合回溯成本自适应控制(RCAC),一种采样系统的直接自适应控制技术,和基于变速率遗忘递推最小二乘(RLS)的在线系统辨识。RCAC和RLS-VRF的结合构成了数据驱动的RCAC(DDRCAC),其中使用在线系统辨识来构造目标模型,该目标模型定义了追溯性能变量。本文研究了RLS-VRF提供目标模型所需的建模信息,特别是非最小相位(NMP)零点的能力。DDRCAC被应用到单输入,单输出(SISO)和多输入,多输出(MIMO)的数值例子与未知的NMP零点,以及几个飞行控制问题,即,未知的过渡从最小相位到NMP横向动力学,灵活的模式,颤振,和非线性平面导弹动力学。
2021-04-08 cs.SY eess.SY
Safe Trajectory Sets for Online Operation of Power Systems under Uncertainty
本文针对不确定性下电力系统在线运行,提出基于可行运行区域和PQ平面投影的安全轨迹集条件,用于评估反馈优化控制器的性能与鲁棒性。
2025-07-23 cs.SY eess.SY
Power System Disturbance Classification with Online Event-Driven Neuromorphic Computing
输电网扰动事件的准确在线分类是广域监测的重要组成部分。尽管许多传统的机器学习技术在对事件进行分类方面非常成功,但它们依赖于从控制中心的PMU数据中提取信息并通过CPU/GPU进行处理,这在能耗方面效率非常低。为了解决这一挑战,而不影响准确性,本文提出了一种新的方法,基于事件驱动的神经形态计算架构的分类电力系统扰动。提出了一种基于尖峰神经网络(SNN)的计算框架,该框架利用扰动的稀疏性,并促进局部事件驱动操作,以进行无监督学习和从输入数据中进行推理。首先提取PMU信号的时空信息并编码成锋电位序列,然后利用基于SNN的有监督和无监督学习框架实现分类。此外,提出了一种基于QR分解的选择技术,以识别参与多个扰动事件的低秩子空间的信号。所提出的方法的性能进行了验证,从16台机器,5个地区的新英格兰-纽约系统收集的数据。
2020-12-15 cs.SY eess.SP eess.SY
A Robust Data-Driven Iterative Control Method for Linear Systems with Bounded Disturbances
本文针对具有有界扰动的未知线性系统,提出离线和在线鲁棒数据驱动迭代控制方法,通过迭代利用多个数据集降低控制器保守性,并在间歇反应器上验证了有效性。
2024-05-04 cs.SY eess.SY
Online Stochastic Optimization for Unknown Linear Systems: Data-Driven Synthesis and Controller Analysis
本文提出了一个数据驱动的控制框架,以调节一个未知的,随机线性动力系统的(随机)凸优化问题的解决方案。尽管这个问题的中心,大多数可用的方法关键依赖于系统动态的精确知识(因此需要离线系统辨识和模型细化)。为此,在本文中,我们首先表明,稳态传递函数的线性系可以直接计算控制实验,绕过明确的模型识别。然后,我们利用估计的传递函数来设计一个控制器-这是随机梯度下降法的启发-调节系统的解决方案,规定的最优化问题。我们的方法的一个显着特点是,他们不需要任何知识的系统动力学,干扰项,或其分布。我们的技术分析结合了行为系统理论、具有决策依赖分布的随机最优化和稳定性分析的概念和工具。我们说明了在曼哈顿,纽约州的移动按需乘坐服务调度的案例研究的框架的适用性。
2021-08-30 cs.SY eess.SY math.OC
Data-Driven Stochastic Distribution System Hardening Based on Bayesian Online Learning
Iowa State University(爱荷华州立大学)
针对极端天气下配电系统停电及现有加固决策未充分利用实际数据的问题,提出结合DNN预测、决策依赖分布鲁棒优化与贝叶斯在线学习的加固策略,经实际系统24年数据验证有效。
2025-10-02 cs.SY eess.SY math.OC
Real-time Feedback Based Online Aggregate EV Power Flexibility Characterization
本文针对聚合电动汽车功率灵活性表征问题,提出离线模型界定可行区域,并开发基于李雅普诺夫优化的在线算法,集成实时反馈以提升灵活性,通过性能比较验证优势。
2023-10-12 cs.SY eess.SY math.OC
Online Distributed Optimization in Radial Power Distribution Systems: Closed-Form Expressions
集中式最优化方法在管理配电系统操作中的局限性激发了分布式控制和优化算法。然而,现有的分布式优化算法是低效的管理快速变化的现象,导致高度可变的分布式能源(DER)。相关的在线分布式控制方法在其应用中同样受到限制。它们需要数千个时间步来跟踪网络级最优解,导致性能缓慢。我们以前开发了一个在线分布式控制器,利用系统的径向拓扑结构,实现网络级的最优解在几个时间步长。然而,它需要解决一个节点级的非线性规划问题在每个时间步。本文分析了节点级最优化问题的解空间,推导出了决策变量的解析封闭解。通过对节点级最优化问题的理论分析和得到的封闭形式的最优解,消除了在每个分布式代理处嵌入优化求解器的需要,显著降低了计算时间和优化成本。
2021-09-02 cs.SY eess.SY math.OC
Data-Driven Identification of Attack-free Sensors in Networked Control Systems
Uppsala University(乌普萨拉大学);Eindhoven University of Technology(埃因霍温理工大学)
本文提出了一种数据驱动方法,用于在线识别网络化控制系统中未受攻击的传感器,并通过数值实验验证了其有效性。
2023-12-08 cs.SY eess.SY math.OC
An Online Deep Learning Approach Toward the Prediction of Power System Stresses Using Voltage Phasors
输电线路的中断可能会将系统相位角差改变到系统经历应力条件的程度。因此,输电线路事故后状态的角度差应在实时运行中预测。然而,用于电力系统压力评估的在线在线相角差监测和预测尚未成为普遍的操作实践。因此,在本文中,提出了一个在线电力系统压力评估框架,通过开发一个卷积神经网络(CNN)模块,通过深度学习方法训练。在所提出的框架中,连续流动的系统相角数据,从相量测量单元(PMU)或状态估计器(SE)驱动,被用来构建电力系统应力指数自适应的结构参数的CNN模块。使用这种方法,任何隐藏的模式之间的相位角的总线和系统的应力条件被揭示在低的计算成本,同时产生准确的应力状态和应力的严重程度。该方法的有效性和可扩展性已被验证的IEEE 118总线,更重要的是,PJM互连系统。此外,通过与人工神经网络(ANN)和决策树(DT)的结果比较,验证了所提出的方法的优越性。
2019-10-20 cs.SY eess.SP eess.SY
The Power of Predictions in Online Control
我们研究的影响,预测在线线性二次型调节器控制与随机和对抗性干扰的动态。在这两种情况下,我们的最优策略的特点,并得出严格的界限上的最小成本和动态遗憾。也许令人惊讶的是,我们的分析表明,传统的贪婪MPC方法是一个接近最优的政策,在随机和对抗设置。具体来说,对于长度- $T$问题,MPC仅需要$O(\log T)$预测来达到$O(1)$动态遗憾,其匹配(直到低阶项)我们在恒定遗憾所需的预测范围上的下界。
2021-01-08 cs.SY eess.SY math.DS
Online Power Control Optimization for Wireless Transmission with Energy Harvesting and Storage
Department of Electrical, Computer and Software Engineering, University of Ontario Institute of Technology(安大略理工大学电气、计算机与软件工程学院)
本文研究了在具有能量采集和存储设备的衰落信道中无线传输的在线功率控制优化问题,提出了一种基于Lyapunov优化的三阶段闭式解,通过电池能量控制实现战略性能源节约,并基于衰落条件进行机会性传输,从而提高长期时间平均传输速率。
2017-02-26 cs.IT cs.SY eess.SY
Ctrl-A: Control-Driven Machine Learning using Adaptive Online Data Augmentation
Danish Fundamental Metrology (DFM)(丹麦基础计量院);National Physical Laboratory (NPL)(国家物理实验室);TÜV SÜD;Royal Surrey NHS Foundation Trust(皇家萨里国家健康服务基金会信托);Istituto Nazionale di Ricerca Metrologica (INRiM)(意大利国家计量研究院)
Ctrl-A是一种基于控制理论的自动数据增强算法,通过动态调整增强强度分布提升图像任务性能,无需手动设计增强策略。
2026-10-28 cs.AI cs.CV cs.LG
The Power of Online Learning in Stochastic Network Optimization
Tsinghua University(清华大学);Microsoft Research Asia(微软亚洲研究院)
本文研究在线学习在未知系统统计的随机网络优化中的作用,提出OLAC和OLAC2算法,证明其在效用-延迟权衡和收敛时间上的最优性能。
2014-07-29 cs.LG cs.SY eess.SY
Finite-horizon Online Transmission Rate and Power Adaptation on a Communication Link with Markovian Energy Harvesting
Middle East Technical University(中东理工大学)
本文提出了一种低复杂度的在线调度策略,通过计算预期阈值来选择速率和功率水平,以在有限时间范围内最大化吞吐量,并在给定延迟下实现更高的吞吐量。
2013-05-20 cs.IT cs.SY eess.SY