Informative Input Design for Dynamic Mode Decomposition
针对高维系统辨识效率问题，提出将信息性输入设计集成到带控制的 Dynamic Mode Decomposition 框架，通过构建近似凸优化问题最小化估计误差协方差迹，有效降低参数不确定性并提升模型准确性。
2025-04-28 cs.SY eess.SY
Exponential Convergence of Piecewise-Constant Parameters Identification under Finite Excitation Condition
研究了线性回归方程（LRE）分段常数未知参数的辨识问题。这些参数在回归变量有限（而不是持续）激励的间隔内改变它们的值。为了解决这个问题，改进了I-DREM方法和基于积分的指数遗忘和重置滤波方法：在有限时间区间内对滤波方程进行积分，该区间属于有限激励时间范围。这允许人们在激励区间上获得指数有界的识别误差，并且当LRE参数在这样的区间之外恒定时，提供识别误差到零的指数收敛。此外，所应用的回归量激励归一化方法使得对于不同幅值的回归量获得相同的参数误差收敛速率成为可能。证明了所导出的辨识方法的稳定性和所有上述性质。数值实验结果（包括噪声污染的回归量和输出测量的情况下）完全支持所得到的理论结果。
2021-06-03 cs.SY eess.SY
Best Linear Approximation of Nonlinear Continuous-Time Systems Subject to Process Noise and Operating in Feedback
在许多工程应用中，频率响应函数（FRF）测量中的非线性失真水平使用被称为随机相位多正弦和周期噪声的专门设计的周期激励信号来量化。该技术是基于最佳线性近似（BLA）的概念，它允许一个检查的线性框架的有效性与一个简单的实验。虽然经典的BLA理论只能处理测量噪声，但在大多数应用中，系统产生的噪声（称为过程噪声）是主要的噪声源。因此，有必要将现有的BLA理论扩展到过程噪声的情况。在本文中，我们详细研究了过程噪声对非线性连续时间系统在闭环中运行的BLA的影响。结果表明，现有的非参数估计方法检测和量化的水平的非线性失真在频响测量仍然适用于过程噪声的存在。所有结果对离散时间系统和开环系统也是有效的。
2020-04-06 cs.SY eess.SY
Online Identification of Time-Varying Systems Using Excitation Sets and Change Point Detection
本文针对在线辨识中缺乏持续激励和时变参数欠拟合问题，提出基于贪心激励集的递归最小二乘算法及结合变点检测的内存重置方案，并在网络化流行病动力学参数学习中验证了其有效性。
2025-08-17 cs.SY eess.SY
Non-causal regularized least-squares for continuous-time system identification with band-limited input excitations
在连续时间系统辨识中，输入信号的样本间行为对估计方法的性能起着至关重要的作用。一个常见的输入行为假设是输入的频谱是带限的。这些输入信号的sinc插值特性产生非因果的等效离散时间表示。这种观察，往往被忽视的文献中，利用这项工作来研究线性连续时间系统的非参数频率响应估计。研究了连续时间系统辨识中非因果最小二乘估计器的性质，提出了一种基于核的非因果正则化最小二乘方法，用于估计带限等效冲激响应。所提出的方法进行了测试，通过广泛的数值模拟。
2021-03-19 cs.SY eess.SY
Identification of Switched Linear Systems: Persistence of Excitation and Numerical Algorithms
本文研究切换线性系统辨识的两个问题：激励持续性和数值算法。主要的贡献是一个弱得多的条件，回归持续兴奋，保证参数集的唯一性，也提供了新的见解，在理解不同的子系统之间的关系。研究发现，对于唯一确定切换线性系统的参数，由我们的条件推导出的所需的最小样本数远小于文献中报道的。本文的第二个贡献涉及数值算法。虽然该算法不是新的，我们表明，我们的代理问题，放宽从整数优化到连续最小化，具有完全相同的解决方案，作为原来的整数优化，这是有效地解决了块坐标下降算法。此外，提出了一种处理未知数量子系统的算法。最后给出了几个数值例子来支持理论分析。
2021-12-06 cs.SY eess.SY
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
Asymptotically Efficient Quasi-Newton Type Identification with Quantized Observations Under Bounded Persistent Excitations
针对仅有量化观测的动态系统辨识问题，提出加权拟牛顿型投影算法及基于信息的自适应辨识算法，证明了其收敛性并达到了渐近有效的Cramer-Rao下界。
2023-09-10 cs.SY eess.SY
Online design of experiments by active learning for nonlinear system identification
研究将主动学习策略适配至动态环境，结合Kalman滤波器递归更新模型参数并处理输入输出约束，在运行时生成激励信号，提高了非线性系统辨识的样本效率。
2025-06-26 cs.SY eess.SY
Distributed Sparse Identification for Stochastic Dynamic Systems under Cooperative Non-Persistent Excitation Condition
研究了无线传感器网络中的分布式稀疏辨识问题，即所有传感器利用邻居节点的局部信息协同估计随机动态系统的未知稀疏参数向量。提出了一种分布式稀疏最小二乘算法，该算法通过最小化局部信息准则，将局部信息准则表示为累积局部估计误差和L1正则项的线性组合。给出了该算法自适应预测器的估计误差和估计误差的上界。此外，通过基于局部观测数据设计合适的自适应加权系数，得到了在合作非持续激励条件下，有限观测数下零元的集合收敛性.结果表明，所提出的分布式算法可以很好地工作在一个合作的方式，即使没有一个单独的传感器可以完成估计任务。我们的理论结果是在不依赖于回归信号的独立性假设，已在现有文献中常用的。因此，我们的结果有望应用于随机反馈系统。最后，通过数值模拟验证了理论结果的有效性.
2022-03-05 cs.SY eess.SY
Recursive Identification of Binary-Valued Systems under Uniform Persistent Excitations
针对带均匀持续激励与观测噪声的集值滑动平均系统辨识问题，提出无投影无截断的SA-based算法，证明其在非周期输入下达最优收敛速率，通过数值算例验证有效性。
2025-03-24 cs.SY eess.SY
Optimal allocation of excitation and measurement for identification of dynamic networks
本文对动态网络辨识中激励和量测的最佳配置问题进行了形式化的阐述和分析。最好的选择将是一个实现最准确的识别与最低成本的实验。通过跟踪参数估计的渐近协方差阵来评估精度，而成本准则是激励和测量的数量。本文给出了两类状态空间形式的动态网络：分支网络和环网络的解析和数值结果。从这些结果中，出现了一些选择的指导方针，这是基于网络的拓扑结构或被识别的模块的相对大小。一个例子来说明，这些准则可以在一定程度上适用于更一般的拓扑结构的网络。
2020-07-17 cs.SY eess.SY math.OC
System Identification and Controller Design for Hydraulic Actuator
液压作动器的系统辨识是分析其性能和设计合适的控制系统的关键。液压致动器广泛用于许多应用中，范围从飞行模拟器、机器人、矫形外科、材料测试、建筑和许多其他工业类型的机械。在航空工业中，液压致动器目前用于全飞行模拟器中，用于控制运动平台的位置和取向。每个执行器都有其自身的特性，因此，选择用于系统辨识的激励信号时必须考虑所考虑的执行器的动态特性。提出了基于液压执行机构带宽的激励信号选择方法。通过执行系统辨识，获得数学模型，并将其与Simscape中设计的非线性液压执行器模型进行比较，验证了所提出的选择。经过验证，非线性PID控制已被调整的非线性模型和测试的非线性模型。大量的模拟已经运行，结果表明，准确的数学建模，以及精确的控制已经实现了通过所提出的方法。
2021-08-26 cs.SY eess.SY
Adaptive Identification with Guaranteed Performance Under Saturated-Observation and Non-Persistent Excitation
本文研究饱和观测随机系统的自适应辨识与预测问题，提出两步拟牛顿算法，在非持续激励条件下证明全局收敛与渐近正态性，并建立有限数据概率误差界。
2023-09-18 cs.SY eess.SP eess.SY
Single module identifiability in linear dynamic networks with partial excitation and measurement
传递函数网络中的单个模块的可识别性由网络中的特定传递函数是否可以基于数据在网络模型集内唯一地区分来确定。鉴于以前的研究集中在所有网络信号的情况下，无论是激发或测量，我们开发的情况下，部分测量和部分激发的广义分析结果。由于可识别性条件通常需要足够数量的外部激励信号，这项工作引入了一种新的网络模型结构，使未测量的噪声信号的激励包括在内，这导致不太保守的可识别性条件比只依赖于测量的激励信号。更重要的是，图形化的条件开发，以验证全球和通用的可识别性的一个模块的基础上的动态网络的拓扑结构。根据模块的输入或输出是否可以测量，我们提出了四个可识别性条件，涵盖了所有可能的情况下，在单一的模块识别。这些条件进一步导致用于分配激励信号和选择测量信号的合成方法，以保证单个模块的可识别性。此外，如果可识别性条件得到满足，间接识别方法的开发，以提供一致的估计的模块。所有得到的结果也推广到网络中的多个模块的可识别性。
2021-12-20 cs.SY eess.SY
Identification and Adaptation with Binary-Valued Observations under Non-Persistent Excitation Condition
Key Laboratory of Systems and Control, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院系统与控制重点实验室）；School of Mathematical Science, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）
具有二值观测值的动力系统在信息产业、生物制药技术等领域有着广泛的应用。虽然已经有很多的努力致力于这类系统的识别，大多数以前的研究是基于一阶梯度算法，通常具有比拟牛顿算法的收敛速度慢得多。此外，激励持续性（PE）条件通常需要保证一致的参数估计在现有的文献中，这是很难验证或保证反馈控制系统。本文提出了一种在线投影拟牛顿型算法，用于二值变阈值随机回归模型的参数估计。利用随机李雅普诺夫函数和鞅估计方法，在一个比传统的PE条件弱得多的信号条件下，证明了估计算法的强相合性，并给出了估计算法的收敛速度.讨论了自适应预报器的收敛性及其在自适应控制中的应用。
2021-07-08 cs.LG cs.SY eess.SY
Adaptive Identification of SIS Models
针对SIS流行病模型参数辨识病态且缺乏持续激励的问题，提出结合初始激励与递归最小二乘的在线自适应辨识器，并证明其最小化加权最小二乘代价，数值实验验证了参数估计误差收敛。
2023-11-02 cs.SY eess.SY
Identification of $dq$-Asymmetric Impedances as Complex Transfer Functions Using a Single Arbitrary Excitation
ETH Zurich（苏黎世联邦理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种单次主动非参数频域方法，通过局部有理模型拟合谱线，从1秒随机激励记录中以1Hz分辨率恢复dq阻抗的复传递函数，在控制器硬件在环平台上验证了其有效性。
2026-09-01 cs.SY eess.SP eess.SY
Auto-Optimization with Active Learning in Uncertain Environment: A Predictive Control Approach
Hubei Normal University（湖北师范大学）；Loughborough University（拉夫堡大学）；The University of Manchester（曼彻斯特大学）；Hong Kong Polytechnic University（香港理工大学）；Southeast University（东南大学）
本文提出一种结合主动学习的预测控制方法，用于在不确定环境中自主优化运行条件，通过引入虚拟激励信号和持续激励验证机制，解决参数识别与跟踪的最佳运行条件之间的矛盾。
2025-12-04 cs.SY eess.SY
Nonlinear Discrete-time System Identification without Persistence of Excitation: Finite-time Concurrent Learning Methods
KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
研究了离散非线性系统动态特性未知的有限时间学习问题，不要求激励持续性。提出了两种有限时间并行学习方法，利用当前数据和经验数据在线逼近离散非线性系统的不确定性，该方法满足一个易于检验的秩条件，与激励持续性条件相比，该秩条件的限制较小.对于所提出的有限时间并行学习方法，严格的证明保证有限时间收敛的估计参数的最优值的基础上离散时间李雅普诺夫分析。仿真结果表明，与现有文献相比，所提方法能够及时、准确地逼近不确定性。
2022-05-15 cs.LG cs.SY eess.SY
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
Improvement of Identification Procedure Using Hybrid Cuckoo Search Algorithm for TurbineGovernor and Excitation System
本文提出利用混合布谷鸟搜索算法改进燃气电厂调速器和励磁系统的参数辨识与验证，以伊朗Chabahar电厂为基准验证了模型准确性与方法真实性。
2018-12-27 cs.SY eess.SP eess.SY
Optimal Centered Active Excitation in Linear System Identification
The University of Tokyo（东京大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一种基于普通最小二乘和半定规划的主动学习算法，通过最优中心噪声激励实现最小样本复杂度和高效系统矩阵估计。
2026-10-02 cs.LG cs.SY eess.SY
Identification of Nonlinear Acyclic Networks in Continuous Time from Nonzero Initial Conditions and Full Excitations
Shiv Nadar University（希夫纳德大学）；Université de Lorraine, CNRS, CRAN（洛林大学、法国国家科学研究中心、CRAN）；UCLouvain（鲁汶天主教大学）；University of Namur（纳慕尔大学）；ICTEAM institute, UCLouvain（UCLouvain ICTEAM研究所）；Department of Mathematics, Namur Research Institute for Complex Systems, University of Namur（纳慕尔大学数学系、纳慕尔复杂系统研究所）
本文提出了一种在连续时间中通过非零初始条件和完全激励识别非线性无环网络的方法，包括树和DAG的识别技术。
2026-09-29 cs.SY eess.SY math.OC
Nonlinear identifiability of directed acyclic graphs with partial excitation and measurement
本文研究部分激励与测量下有向无环图的非线性可辨识性，证明辨识模式需激励源、测量汇并处理其他节点，且DAG可辨识性等价于全节点测量情形，并给出树及一般DAG的充分条件。
2024-09-05 cs.SY eess.SY math.OC
Recursive Binary Identification under Data Tampering and Non-Persistent Excitation with Application to Emission Control
The Hong Kong Polytechnic University（香港理工大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongyuan University of Technology（中原工学院）
针对受对抗性数据篡改的二进制输出信息物理系统的在线参数估计问题，提出一阶梯度递归算法和无需持续激励的二阶拟牛顿算法（含抗篡改版本），并扩展至自适应控制，在排放控制中提升检测精度。
2025-11-09 cs.SY eess.SY math.OC
An identification method for oscillators with response-dependent inertia
本文针对具有响应依赖广义惯性的受迫振荡系统，提出一种基于FORCEVIB方法改进的辨识方法，利用解析信号和希尔伯特变换得到参数解析关系，经简单系统验证及复杂非线性系统的数值与实验验证，实现瞬时模态参数辨识。
2023-10-03 cs.SY eess.SY
Normalization of regressor excitation as a part of dynamic regressor extension and mixing procedure
提出了回归量的激励归一化方法，用于估计回路中解决被控对象的辨识问题。它是基于动态回归扩展和混合过程。它的应用程序允许获得相同的上界的参数识别误差的标量回归与不同的激励水平，使用一个常数的自适应率为所有的。从实用的角度来看，这是一个很大的优势。与已知的回归量振幅归一化方法进行了比较。结果表明，经典的方法不具有上述性质。为了验证所得到的理论结论，给出了三个回路的比较数学建模的结果：1）经典梯度回路，2）具有回归量幅度归一化的回路，3）具有回归量激励归一化的回路。
2021-05-09 cs.SY eess.SY stat.ME
Active Fault Identification and Robust Control for Unknown Bounded Faults via Volume-Based Costs
本文提出一种基于集员辨识和椭球体积代价的主动故障诊断框架，结合管道模型预测控制，在不依赖预定义故障模型的情况下实现更快、更鲁棒的故障辨识与闭环控制。
2025-08-16 cs.SY eess.SY math.OC
Unknown Piecewise Constant Parameters Identification with Exponential Rate of Convergence
本文的研究范围是有限激励下线性回归方程未知分段常数参数的辨识。与已知的方法相比，为了使计算负担更低，在所开发的过程中仅使用一个模型来识别回归的所有切换状态，具有以下双重贡献。首先，我们提出了一个新的真正的在线估计算法的基础上，一个著名的DREM方法来检测开关时间和可调检测延迟保持时间警觉性。其次，尽管开关信号函数是未知的，自适应法律推导出，提供的回归参数的全局指数收敛到它们的真值的情况下，回归是连续的两个参数开关之间的时间间隔内的某个地方的激励。所提出的识别程序的鲁棒性的影响，外部干扰的分析证明。通过数值实验证明了它的有效性，其中既使用抽象回归，也使用二阶植物模型。
2022-08-04 cs.SY eess.SY
$\ell_1$-Based Adaptive Identification under Quantized Observations with Applications
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）
研究量化观测下的自适应识别问题，提出基于$\ell_1$的新算法，无需传统持续激励条件，证明参数估计全局收敛且平均遗憾渐近消失，应用于司法量刑问题展示了优越性能和实际意义。
2026-07-08 cs.SY eess.SY
Observer-based switched-linear system identification
在本文中，我们提出了一种方法来识别离散时间状态空间切换线性系统（SLS）的输入输出测量。假设连续状态不被测量。关键的一步是一个基于无差拍观测器的转换到一个开关自回归与外源输入（SARX）模型。这种转换减少了状态空间识别问题的SARX模型估计问题。解决了过度拟合问题。开关和参数的可识别性和持久性的激励条件的输入进行了详细讨论。通过求解一个非凸稀疏优化问题，在观测器域内辨识离散状态。聚类算法揭示了离散状态下温和的假设系统结构和停留时间。该方法利用多变量输出误差状态空间（MOESP）算法及其改进算法从输入输出数据中估计开关序列，通过稀疏优化问题的凸松弛得到块基追踪去噪（BBPDN）算法。理论研究结果支持通过一个详细的数值例子。在这个例子中，所提出的方法还比较了混杂系统文献中的另一种识别方案。
2021-08-11 cs.SY eess.SY
Least Costly Space-Filling Experiment Design for the Identification of a Nonlinear System
Eindhoven University of Technology（埃因霍温理工大学）；Institute for Computer Science and Control（计算机科学与控制研究所）
本文提出了一种最小化实验成本的空间填充输入设计方法，通过在系统模型特征空间中生成空间填充数据集，提升非线性系统识别的效率与精度。
2026-05-12 cs.SY eess.SY
Admittance Identification of Grid-Forming Inverters Using Time and Frequency-Domain Techniques
针对构网型逆变器固件不可访问的问题，本文采用SFRA、SEM和ERA三种辨识技术，在1-100 Hz频段内一致地辨识其dq导纳。
2025-04-24 cs.SY eess.SY
On the notion of persistence of excitation for linear switched systems
Maastricht University（马斯特里赫特大学）；Univ Lille Nord de France（法国北部里尔大学）
本文针对离散时间线性切换系统，提出了持续激励的概念，并给出了输入信号持续激励的充分条件，基于实现理论和马尔可夫参数。
2011-03-07 cs.SY eess.SY math.OC
Direct closed-loop identification of continuous-time systems using fixed-pole observer model
本文提出一种基于固定极点观测器模型的连续时间系统直接闭环辨识方法，可在无控制器和激励信号先验知识且数据含未知偏置条件下辨识不稳定系统，并将辨识问题转化为凸优化问题，兼具噪声鲁棒性和广泛适用性。
2025-06-04 cs.SY eess.SY
Combined Invariant Subspace \& Frequency-Domain Subspace Method for Identification of Discrete-Time MIMO Linear Systems
本文提出discrete-cISSIM，将cISSIM扩展到离散时间MIMO LTI系统，支持任意周期激励、降低计算复杂度并联合估计参数与协方差。
2023-12-12 cs.SY eess.SY
Minimum Input Design for Direct Data-driven Property Identification of Unknown Linear Systems
在直接数据驱动的方法中，本文研究了{ \em属性识别（ID）}问题，以分析未知线性系统是否具有感兴趣的属性，例如，稳定性和结构性能。与基于模型的分析形成鲜明对比的是，我们直接使用未知系统的输入和状态反馈数据来逼近它。通过引入输入截面数据充分丰富度的概念，首先建立了最小输入设计激励系统性能ID的充要条件，具体地说，输入截面数据对于性能ID { \em}是充分丰富的当且仅当}它跨越一个线性子空间，该线性子空间包含一个与性能相关的最小线性子空间，其任何基础也可以容易地用于形成最小激励输入。有趣的是，我们发现，许多结构特性可以识别的最小输入，但无法识别显式系统模型。总体而言，我们的结果严格量化的优势，直接数据驱动的分析，基于模型的分析线性系统的数据效率。
2022-08-29 cs.SY eess.SY
Yet another introduction to linear dynamical systems control: From identification and approximation to digital control
本报告的目的是提出一个（但）的方法来设计和实现一个线性控制器的线性动力系统的实际应用。本报告的特殊性在于作者试图涵盖（显然是以非穷举的方式）广泛的控制工程领域。实际上，主要目的是给不熟悉的读者一个标准控制工程方法的快速概述。更具体地说，使用一个简单的玩具例子，我们讨论控制工程师通常遵循的主要步骤。即，（i）激励信号构造，（ii）（连续时间）线性模型构造和近似，（iii）（连续时间）控制设计，以及最后，（iv）鉴于实际实现，其时域离散化和控制信号调制。这份报告显然是面向用户的，因此侧重于实践方面（使用Matlab代码），而不是理论方面，让读者的好奇心与少数但相关的参考资料。
2020-03-23 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
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
Informativity Conditions for Multiple Signals: Properties, Experimental Design, and Applications (extended version)
College of Artificial Intelligence, Nankai University（南开大学人工智能学院）
本文提出三种多信号信息性条件，探讨其性质与实验设计，并展示其在最小二乘识别和数据驱动控制器构建中的有效性。
2025-12-20 cs.IT cs.SY eess.SY
International Space Station operational modal analysis via iterative pole relocation
Politecnico di Torino（都灵理工大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
提出一种结合自然激励技术与快速松弛矢量拟合的迭代最小二乘优化方法，用于运行模态分析，并在国际空间站加速度数据上验证了其高可靠性和抗噪性。
2026-05-25 cs.SY eess.SP eess.SY
Identification of abrupt stiffness changes of structures with tuned mass dampers under sudden events
本文提出了一种考虑地震等突发事件下刚度突变的带调谐质量阻尼器（TMD）的多自由度（MDoF）结构的递推系统辨识方法。由于TMD的附加非经典阻尼，MDoF+TMD系统的系统辨识面临挑战，特别是在突发事件的情况下。该识别方法可为TMD控制下的多自由度结构健康监测提供参考。一种新的适应配方的无迹卡尔曼滤波器允许识别方法跟踪突然的刚度变化。本文首先介绍了所提出的系统辨识方法的理论背景，然后提出了三个参数的研究有关的方法的性能。第一个研究表明，增广状态识别所提出的系统辨识方法应用于MDOF+TMD系统。在这项研究中，成功地检测并定位了地震、脉冲和白噪声激励下系统刚度的突变。第二项研究探讨了状态协方差及其相关性对MDOF+TMD系统系统辨识的影响。本研究的结果表明，在所提出的方法中应用的状态协方差的自适应定义的必要性。第三项研究探讨了建模对识别方法性能的影响。研究了不同收敛阶数和系统噪声水平的离散化数学模型。结果表明，特别是，MDoF+TMD系统需要更高阶的数学模型，以准确地识别突变。
2020-03-02 cs.CE cs.SY eess.SY
Ultrafast Grid Impedance Identification in $dq$-Asymmetric Three-Phase Power Systems
ETH Zurich（苏黎世联邦理工学院）；Tsinghua University（清华大学）
提出一种非参数频域方法，利用并网变换器在宽频带内实现超快（<1 s）的小信号$dq$不对称电网阻抗辨识，无需专用硬件且不依赖结构假设，仿真验证了其优越性。
2025-10-14 cs.SY eess.SP eess.SY
Experimental assessment of polynomial nonlinear state-space and nonlinear-mode models for near-resonant vibrations
在本文中，两个现有的非线性系统辨识方法来识别数据驱动的模型。第一种方法的重点是确定系统使用稳态激励。为了实现这一点，锁相环控制器被实现以获得谐振附近的周期性振荡，并构建非线性模式模型。该模型基于振幅相关的模态特性，即不需要非线性基函数。第二种方法利用宽带随机输入的非受控实验，使用先进的系统辨识工具建立多项式非线性状态空间模型。该方法被应用到两个实验测试台，磁悬臂梁和一个自由的梁与搭接接头。这两种方法和两个标本的各自的模型，然后挑战预测动态，近共振行为下观察到不同的正弦和正弦扫描激励。非线性模式和状态空间模型的振动预测清楚地突出了模型的能力和局限性。通过设计，非线性模式模型在谐振峰值处产生完美匹配，并且在附近具有高精度。然而，它仅限于间隔良好的模式和正弦激励。状态空间模型覆盖了更宽的动态范围，包括瞬态激励。然而，在这项研究中考虑的现实生活中的非线性只能近似多项式基函数。因此，所识别的状态空间模型被发现是高度依赖于输入的，特别是对于正弦激励，其中它们被发现导致低预测能力。
2020-11-17 cs.SY eess.SP eess.SY
On Reduced Input-Output Dynamic Mode Decomposition
Max Planck Institute for Dynamics of Complex Technical Systems（马克斯·普朗克复杂技术系统动力学研究所）
本文提出基于输入输出动态模式分解的降阶建模方法，比较了数据驱动识别过程中的激励方法，并描述了用于稳定识别系统的优化策略。
2017-12-22 cs.NA cs.SY eess.SY
