A Python library for nonlinear system identification using Multi-Gene Genetic Programming algorithm
通过一个称为系统辨识的过程，可以直接从输入和输出数据建立模型。具有外源输入的非线性自回归（NARMAX）模型是该领域中最常用的数学表示之一，在不同领域的数据驱动建模中有许多成功的应用。当这些模型具有高度的非线性和长期依赖性时，它们会变得非常大。因此，必须执行结构选择过程以使它们节俭。在本文中，它是在Python中介绍了一个工具箱，执行结构选择过程中使用的进化算法命名为多基因遗传编程（MGGP）。该工具箱封装了用于参数估计、仿真和验证的基本工具，并允许用户自定义其评估函数，包括个体结构中的先验知识和约束（灰箱识别）。
2022-11-10 cs.SY eess.SY
Parametric Identification Using Weighted Null-Space Fitting
KTH Royal Institute of Technology（皇家理工学院）
本文提出加权空域拟合方法，通过三步法实现动态系统参数估计，证明其与二次成本函数的预测误差法具有相同的渐近性质，并通过仿真表明其与先进方法竞争力相当。
2018-03-26 cs.SY eess.SY
Weighted Null-Space Fitting for Identification of Cascade Networks
KTH Royal Institute of Technology（皇家理工学院）；University of Padova（帕多瓦大学）
本文提出一种加权空域拟合算法，用于识别串行级联动态网络，避免非凸成本函数最小化，提升估计效率。
2018-03-20 cs.SY eess.SY
Continuous-time system identification with neural networks: Model structures and fitting criteria
IDSIA Dalle Molle Institute for Artificial Intelligence USI-SUPSI（IDSIA达勒莫莱人工智能研究所（USI-SUPSI））
本文提出了定制的神经模型结构和两个自定义拟合学习动力系统的标准。所提出的框架是基于连续时间状态空间模型的系统行为的表示。隐状态序列与神经网络参数一起被优化，以最小化测量输出与估计输出之间的差异，同时保证优化的状态序列与估计的系统动态一致。通过三个案例研究，包括两个公共的系统辨识基准实验数据的基础上，证明了该方法的有效性。
2021-08-31 cs.LG cs.SY eess.SY
Weighted Null Space Fitting (WNSF): A Link between The Prediction Error Method and Subspace Identification
KTH Royal Institute of Technology（瑞典皇家理工学院）；Lingnan University（岭南大学）
该研究提出加权零空间拟合（WNSF）方法估计状态空间模型，结合预测误差方法与子空间辨识方法优点，从高阶ARX模型最小二乘估计出发简化为规范状态空间模型，经统计分析其渐近有效，数值和实例表明性能优于SIMs。
2026-07-09 cs.SY eess.SY
Model structures and fitting criteria for system identification with neural networks
IDSIA Dalle Molle Institute for Artificial Intelligence SUPSI-USI（达勒莫勒人工智能研究所（IDSIA））
本文主要研究具有定制模型结构的动态系统的辨识问题，其中神经网络用于近似不确定的分量，并且保留领域知识（如果可用）。这些模型结构适合测量数据使用不同的标准，包括计算效率的方法，最大限度地减少了正则化的多步模拟误差。在这种方法中，神经网络参数估计以及用于模拟小尺寸连续性的输出信号的初始条件。正则化项被包括在拟合成本中，以强制执行这些初始条件与估计的系统动态相一致。天真的一步预测和模拟误差最小化的陷阱和局限性进行了讨论。
2021-10-28 cs.LG cs.SY eess.SY
Enhanced input stacking for non-square MIMO modal identification of aeronautical structures via Fast and Relaxed Vector Fitting
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Politecnico di Torino（都灵理工大学）
本文提出一种基于地面振动测试数据的MIMO框架，利用改进的输入堆叠策略对飞机结构模态参数进行识别，通过数值和实验验证展示了方法的高精度和抗噪能力。
2026-05-15 cs.SY eess.SP eess.SY
Bridging the Prediction Error Method and Subspace Identification: A Weighted Null Space Fitting Method
本文针对状态空间模型估计问题，提出加权零空间拟合（WNSF）方法，结合预测误差方法与子空间辨识方法的优势，经统计分析证明该方法在规范参数化可行时一致且渐近有效，解决了相关长期问题，数值和实例表明其性能优于子空间辨识方法。
2026-07-08 cs.SY eess.SY stat.ME
Deep Identification of Nonlinear Systems in Koopman Form
Institute for Computer Science and Control（计算机科学与控制研究所）
本文处理的非线性动力系统的识别使用Koopman为基础的深状态空间编码器。通过这种方法，通常的缺点，需要选择一个字典的提升函数的先验是规避。编码器将提升函数表示为使用Koopman算子线性传播动态的空间。一个输入仿射配方被认为是提升模型结构，我们解决全部和部分状态可用性。该方法使用Python中的deepSI工具箱实现。为了降低基于模拟误差的训练的计算需求，数据被分成子部分，其中独立计算多步预测误差。这种公式可以对网络参数进行高效的批量优化，同时使所获得的模型具有出色的长期预测能力。非线性基准的例子说明了该方法的性能。
2021-10-06 cs.LG cs.SY eess.SY
Port-Hamiltonian System Identification from Noisy Frequency Response Data
本文提出了一种从噪声频率响应数据中辨识线性定常无源系统的新方法。特别是，我们建议适合一个参数化端口哈密顿（pH）系统，这是自动被动的，提供的数据相对于最小二乘目标函数。在一个数值研究中，我们评估的准确性所得到的识别模型，通过比较我们的方法与其他两个频域系统辨识方法。正在比较的方法之一是最近公布的识别程序，也计算pH系统和其他一个是众所周知的矢量拟合算法，它提供了非结构化的模型。数值评估表明，我们的方法的准确性大幅增加相比，其他pH值的识别程序和一个稍微提高的精度相比，矢量拟合。这强调了我们的方法对被动或pH系统的估计的适用性-特别是从嘈杂的频率响应数据。
2021-06-21 cs.SY eess.SY math.DS
Subspace Identification with Multiple Data Records: unlocking the archive
Solar Turbines Inc.（Solar Turbines 公司）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
本文提出利用多数据记录进行子空间系统识别的方法，并提出基于秩的检验方法，用于评估数据对唯一线性无噪声动态模型的适配性。
2017-04-09 cs.SY eess.SY
A frequency domain approach for local module identification in dynamic networks
在动态网络识别的经典方法中，为了识别嵌入在动态网络中的系统（模块），必须制定多输入单输出（MISO）识别问题，该问题需要识别构成MISO设置的所有模块的参数模型，包括（可能）噪声模型，并确定它们的模型阶数。这一要求导致了实验者不感兴趣的模块的模型阶数选择步骤，这增加了大型网络的计算复杂性。此外，使用参数噪声模型（如BJ方法）的识别可能会出现局部最小值，但忽略噪声模型会对估计的方差产生影响。在本文中，我们提供了一个两步识别方法来避免这些问题。第一步是对MISO识别问题进行非参数间接方法，以获得非参数频率响应函数（FRF）估计及其作为频率函数的方差。在第二步中，使用参数频域估计器来平滑目标模块的估计的非参数FRF，其中来自前一步骤的估计方差作为非参数噪声模型。所开发的方法是实用的弱噪声假设，使用现有的工具箱，只需要一个参数模型的目标模块的兴趣，并使用非参数噪声模型，以减少方差的估计。数值仿真结果表明，与经典的识别方法相比，所介绍的方法的潜力。
2021-05-23 cs.SY eess.SP eess.SY
Pole-Zero Identification: Unveiling the Critical Dynamics of Microwave Circuits Beyond Stability Analysis
本文回顾极点-零点辨识在非线性电路设计（如功率放大器稳定性分析）中的应用，通过示例全面介绍其超越传统稳定性分析的关键动态揭示方法。
2025-01-29 cs.SY eess.SY
On the Use of Cramer-Rao Lower Bound for Least-Variance Circuit Parameters Identification of Li-ion Cells
本文提出基于Cramer-Rao下界和Fisher信息矩阵的EIS实验频率调整算法，以最小化ECM参数方差，实现锂离子电池更准确的参数辨识。
2024-03-15 cs.SY eess.SY
Experimental graybox quantum system identification and control
本文提出并实验验证了一种灰箱方法，将物理原理与高精度机器学习结合，构建量子系统物理模型并设计最优控制，可生成酉算符和哈密顿量，优于传统模型拟合，并适用于含时和开放量子系统。
2023-11-29 cs.SY eess.SY physics.optics
Frequency Response Identification of Low-Order Systems: Finite-Sample Analysis
Robust Systems Lab, ECE Department, Northeastern University（鲁棒系统实验室，电子与计算机工程系，东北大学）
提出一种基于重复噪声测量的频域估计器，通过Loewner矩阵核范数正则化和凸稳定性约束，在有限样本下给出误差界，并通过有理插值推广到所有频率。
2026-06-23 cs.LG cs.SY eess.SY
Nonlinear System Identification with Prior Knowledge of the Region of Attraction
研究了当平衡点的吸引域（ROA）上存在先验知识时的非线性系统辨识问题。我们提出了一种识别方法的形式的最优化问题，最大限度地减少拟合误差，并保证所需的稳定性。通过联合辨识系统的动态特性和验证系统稳定性的李雅普诺夫函数来解决该问题。在这种情况下，假设集是一个再生核希尔伯特空间，并且相对于ROA的给定子集的每个点，李雅普诺夫函数的李导数不等式施加了约束。该问题是一个具有无穷多个约束的非凸无穷维优化问题。为了获得一个易于处理的配方，只有一个适当设计的有限子集的约束被认为是。由此产生的问题承认一个解决方案的形式的线性组合的部分内核及其衍生物。推导了一个等价的具有二次费用函数的线性和双线性约束的最优化问题。适当的变量变量变换给出了该问题的凸变换形式。为了减少超参数的数量，最优化问题适用于对角核的情况。通过实例说明了该方法。
2020-03-27 cs.SY eess.SP eess.SY
Quadric Inclusion Programs: an LMI Approach to H[infinity]-Model Identification
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种基于LMI的二次包含程序，用于从输入-输出数据中识别频率域中的包含关系，该方法将系统建模问题转化为凸优化问题，并通过几何解释阐明了其行为特性，同时提供了一种减轻测量噪声影响的方法。
2019-01-04 cs.SY eess.SY math.DS
Damping Identification Sensitivity in Flutter Speed Estimation
本研究评估FRVF和LF两种频域识别方法用于柔性机翼颤振速度预测的效果，发现其预测偏差小，凸显阻尼识别精度的影响，可为初步气动弹性评估提供高效替代方案。
2025-05-16 cs.NA cs.SY eess.SY
Kernel-Based Identification with Frequency Domain Side-Information
本文讨论了当系统具有频域边信息时的系统辨识问题。最初，我们考虑的情况下，先验知识提供的$\Hcal_{\infty}$规范的系统有界的一个给定的标量。该框架提供了考虑各种形式的边信息（诸如系统的耗散性）以及其他形式的频域先验知识的机会。提出了一种在给定边信息下估计系统冲激响应的非参数辨识方法。该估计问题被表示为再生核希尔伯特空间（RKHS）中的优化问题，该空间具有稳定核。相应的目标函数由用于最小化拟合误差的项和基于所采用的RKHS中的冲激响应的范数定义的正则化项组成。为了保证基于先验知识定义的期望的频域特征，对估计问题施加适当的约束。由此产生的优化具有无限维的可行集，具有无限数量的约束。我们表明，这个问题是一个定义良好的凸规划的唯一解决方案。我们提出了一个启发式，紧密接近这个独特的解决方案。该方法等价于求解有限维凸二次约束二次规划问题。数值算例验证了所讨论方法的有效性。
2022-11-06 cs.SY eess.SP eess.SY
