$\mathcal{L}_{1}$ Adaptive Optimizer for Online Time-Varying Convex Optimization
提出 $\mathcal{L}_{1}$ 自适应优化方法，通过自适应更新律估计并补偿在线时变凸优化中预测模型的不准确性，提供误差性能界限，实现高效可靠的优化。
2025-03-01 cs.SY eess.SY math.OC
An online optimization algorithm for tracking a linearly varying optimal point with zero steady-state error
针对最优解线性变化的非凸优化问题，提出一种在线优化算法，利用圆判据保证全局收敛性，通过含双积分器的Luré型系统实现零稳态误差跟踪，应用于恒速定位问题时可零稳态误差估计源位置。
2024-11-04 cs.SY eess.SY math.OC
Communication-Efficient Distributed Online Nonconvex Optimization with Time-Varying Constraints
针对时变有向图下带时变约束的分布式在线非凸优化问题，提出两种带压缩通信的分布式 bandit 在线原对偶算法，证明其具有次线性网络遗憾和累积约束违反界，Slater 条件下约束违反界更小，并通过仿真验证。
2025-11-18 cs.SY eess.SY math.OC
Online Optimization with Unknown Time-varying Parameters
针对含不可测未知线性动态时变参数的在线优化问题，提出利用代价函数梯度测量在线辨识参数动态并求解的方法，证明温和条件下仅需有限次梯度测量，经数值算例验证有效。
2025-03-19 cs.SY eess.SY math.OC
Online Optimization with Unknown Time-Varying Parameters Using Noisy Gradient Measurements
University of California, Riverside（加州大学河滨分校）；University of California, Irvine（加州大学尔湾分校）
研究在线优化问题，其中成本函数依赖于不可测的时间变化参数，通过控制理论工具从梯度观测中重建潜在参数，使用工具变量估计参数动态，并预测参数以计算未来最小值，提供预期跟踪误差的界。
2026-09-30 cs.SY eess.SY math.OC
An Online Joint Optimization-Estimation Architecture for Distribution Networks
提出了一种配电网最优控制-估计体系结构，通过在线梯度反馈算法联合求解最优潮流（OPF）问题和静态状态估计（SE）问题。其主要目标是使最优控制器和状态估计器之间的快速和及时的互动有限的传感器测量。首先，所提出的算法的收敛性和最优性分析建立。然后，所提出的基于梯度的算法进行修改，通过引入固有的估计和线性化误差的统计信息的在线控制决策的改进和鲁棒性能。总的来说，所提出的方法消除了传统的分离的控制和操作，控制和估计通常在不同的层和不同的时间尺度。因此，它使一个计算负担得起的，有效的和强大的在线运营框架下随时间变化的设置分配网络。
2022-08-30 cs.SY eess.SY math.OC
Online Data-Driven Adaptive Control for Unknown Linear Time-Varying Systems
针对未知线性时变系统控制问题，提出一种基于短时间窗口数据周期性更新反馈增益的在线数据驱动自适应控制方法，可保证实际全局指数稳定性，经仿真验证性能优于同类算法。
2024-01-27 cs.SY eess.SY
Robust output feedback model predictive control using online estimation bounds
我们提出了一个框架，设计非线性鲁棒输出反馈模型预测控制（MPC）计划，确保约束条件下的噪声输出测量和干扰的满意度。我们提供了新的估计方法来约束估计误差的大小的基础上：稳定性的观察员;可检测性;集员估计;滚动时域估计（MHE）。鲁棒约束满足保证适当地将这些在线验证的边界上的估计误差在一个位似管的MPC制定。此外，我们展示了如何通过将MHE和MPC结合在单个优化问题中来进一步提高性能。该框架适用于一般类的可检测和（增量）稳定的非线性系统。虽然标准的输出反馈MPC计划使用离线计算的最坏情况下的估计误差的界限，所提出的框架利用在线验证的界限，从而减少保守性和提高性能。我们证明了减少保守性的建议框架使用非线性10状态四旋翼的例子。
2021-05-07 cs.SY eess.SY math.OC
Stable Online Control of Linear Time-Varying Systems
California Institute of Technology（加州理工学院）
线性时变系统由于其通用性和简单性而被广泛用于建模真实世界的动力系统。为LTV系统提供稳定性保证是控制理论的核心问题之一。然而，现有的方法，保证稳定性通常会导致显着次优的累积控制成本在线设置中，只有当前或短期的系统信息是可用的。在这项工作中，我们提出了一个有效的在线控制算法，协方差约束在线线性二次（COCO-LQ）控制，保证输入状态稳定的一大类LTV系统，同时也最小化控制成本。该方法将状态协方差约束纳入LQ最优控制器的半定规划（SDP）制定。我们经验证明的性能COCO-LQ在合成实验和电力系统频率控制的例子。
2021-04-30 cs.LG cs.SY eess.SY
Analysis, Online Estimation, and Validation of a Competing Virus Model
本文介绍了一个离散时间的竞争病毒模型，并给出了使该模型适定的必要假设。我们分析系统探索其不同的均衡。给出了从时间序列数据中估计模型参数的充要条件，并介绍了一种在线估计算法。我们采用了两个竞争的补贴计划，从美国农业部的数据集，以验证模型采用的识别技术。据我们所知，这项工作是第一个研究竞争的病毒模型在离散时间，在线识别传播参数的时间序列数据，并验证所述模型使用真实数据。这些新的贡献是重要的应用程序，因为真正的数据是自然采样。
2020-01-28 cs.SY eess.SY math.OC
Empirical Study of Dynamic Regret in Online Model Predictive Control for Linear Time-Varying Systems
本文针对线性时变系统中在线MPC的动态遗憾展开实证研究，验证相关理论假设，分析预测误差和预测范围对性能的影响，为MPC的实际应用提供理论与实践结合的见解。
2025-02-19 cs.SY eess.SY
Online Identification of Time-Varying Systems: a Bayesian approach
University of Padova（帕多瓦大学）
本文提出一种基于贝叶斯的在线识别时变系统的方法，通过单步梯度最大化边际似然和利用冲击响应估计的闭式表达式，实现超参数估计，结合遗忘因子提升跟踪性能。
2016-09-23 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
Hopfield Neural Networks for Online Constrained Parameter Estimation with Time-Varying Dynamics and Disturbances
本文提出两种基于投影的Hopfield神经网络估计器，用于在线受限参数估计，通过约束意识和补偿机制提高估计精度与鲁棒性。
2025-11-26 cs.SY eess.SY
Online Output-Feedback Parameter and State Estimation for Second Order Linear Systems
Oklahoma State University（俄克拉荷马州立大学）
本文提出了一种基于并发学习的自适应观测器，用于估计二阶线性时不变系统中的状态和参数，无需持续激励即可实现指数收敛。
2016-09-19 cs.SY eess.SY math.OC
Online Simultaneous State and Parameter Estimation for Second-order Nonlinear Systems
针对含不确定动力学的二阶非线性时不变系统，提出基于并发学习的自适应观测器，实现在线同时状态与参数估计，并证明误差一致最终有界且仅需有限时间激励。
2024-12-04 cs.SY eess.SY
Change Point Detection Approach for Online Control of Unknown Time Varying Dynamical Systems
针对未知时变动力系统提出了一种新的在线学习控制变点检测方法。我们表明，我们的算法可以实现一个次线性后悔类的扰动动作控制（DAC）的政策，这是一个广泛研究的一类政策在线控制的动力系统，任何次线性数量的变化和非常一般的系统：（i）匹配的干扰系统与一般凸代价函数，（ii）一般系统与线性代价函数。具体地，对于这些系统类别，可以实现$Γ_T^{1/5}T^{4/5}$的（动态）后悔，其中$Γ_T$是基础系统的变化次数，而$T$是控制发作的持续时间。也就是说，变化点检测方法对于任何次线性数量的变化实现了次线性遗憾，这是诸如\cite{minasyan2021online}中的其它先前算法所不能实现的。数值上，我们证明了变点检测方法优于标准的重新启动方法\cite{minasyan2021online}和标准的在线学习方法的时不变动力系统。我们的工作提出了第一个遗憾的保证未知的时变动力系统方面的一个更强的概念的变化，如在底层系统的变化的数量。我们的工作扩展到状态和输出反馈控制器是未来工作的一个主题。
2023-03-25 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
Adaptive State Observers of Linear Time-varying Descriptor Systems: A Parameter Estimation-Based Approach
本文提出一种基于参数估计的自适应观测器设计方法，用于线性时变描述符系统，并通过基准仿真验证其性能。
2024-07-19 cs.SY eess.SY
Online Distribution System State Estimation via Stochastic Gradient Algorithm
由于间歇性和波动性分布式能源（DER）的日益集成，配电网运营变得更具挑战性。这激发了新的配电系统状态估计（DSSE）范例的开发，该范例可以基于由现代信息和通信技术实现的异步测量的实时数据流以快速时标操作。为了有效、准确地求解具有异步量测的DSSE问题，提出了一种加权最小二乘DSSE问题，并提出了一种在线随机梯度算法来求解该问题，该算法的性能得到了解析保证，并通过IEEE-123母线馈线的实际数据进行了数值验证。
2021-10-05 cs.SY eess.SY
Robust Estimation of Optical Phase Varying as a Continuous Resonant Process
University of New South Wales, Canberra（新南威尔士大学堪培拉分校）
针对连续变化光学相位的自适应零差估计，提出一种基于保证成本鲁棒滤波器的方法，以应对谐振噪声过程中的参数不确定性，实现鲁棒相位估计。
2013-03-01 cs.SY eess.SY math.OC
Online State Estimation for a Physics-Based Lithium-Sulfur Battery Model
本文研究了锂硫（Li-S）电池状态估计问题。这种估计对于这种能量密集化学的在线管理是重要的。文献使用等效电路模型（ECM）用于Li-S状态估计。本文的主要目标是使用基于物理的模型来执行估计。这种方法很有吸引力，因为它可以在线估计给定Li-S电池中单个物质的质量。使用实验验证，计算易处理的零维模型进行估计。重新将该模型从微分代数方程（DAE）转换为常微分方程（ODE），简化了估计问题。文章的第一个贡献是表明，该模型具有较差的可观测性，特别是在低高原地区，在那里的低灵敏度的电池电压沉淀硫质量复杂的估计这个质量。第二个贡献是利用质量守恒导出了一个降阶模型，在高低平台区都具有吸引人的可观测性。最后的贡献是使用无迹卡尔曼滤波器（UKF）估计内部锂硫电池状态，同时考虑到对物种质量的约束。与文章的可观测性分析一致，当使用降阶模型时，UKF实现了更好的低平台估计精度。
2020-10-26 cs.SY eess.SY
Robust online joint state/input/parameter estimation of linear systems
本文提出了一种在线联合估计线性系统状态、输入和参数的方法。该方法是专为测量损坏与非高斯噪声或离群值，这是常见的工程应用。特别是，它结合了递归，交替，迭代加权最小二乘法到一个单一的，一步的算法，解决了在线估计问题，并受益于最小偏差回归方法的鲁棒性。形式上保证了迭代方法的收敛性。数值实验表明，在存在离群值的情况下，与现有的方法相比，该估计算法具有良好的性能。
2022-04-12 cs.SY eess.SY stat.ML
Online dynamic mode decomposition for time-varying systems
Princeton University（普林斯顿大学）；Florida State University（佛罗里达州立大学）
本文提出一种高效的在线动态模式分解方法，用于实时更新时变系统动态，通过秩1更新计算精确DMD矩阵，适用于时间变化系统，并在风洞实验中验证了其有效性。
2017-07-07 cs.SY eess.SY math.OC
Online Phase Estimation of Human Oscillatory Motions using Deep Learning
本文提出一种基于LSTM网络的在线相位估计方法，通过校准标准化三维运动轨迹，并在运动捕捉数据和Kuramoto振荡器网络同步控制中验证了其有效性。
2025-05-05 cs.SY eess.SY
Efficient Online Learning with Memory via Frank-Wolfe Optimization: Algorithms with Bounded Dynamic Regret and Applications to Control
University of Michigan（密歇根大学）
针对在线学习中投影操作的计算瓶颈，提出基于OFW和Hedge的无投影带记忆元-基学习算法，实现有界动态遗憾，并成功应用于线性时变系统的在线控制。
2023-03-31 cs.LG cs.SY eess.SY
Finite Sample Guarantees for Distributed Online Parameter Estimation with Communication Costs
Purdue University（普渡大学）
我们研究的问题，估计一个未知的参数在一个分布式和在线的方式。现有的分布式在线学习的工作通常集中在渐近分析，或提供遗憾的界限。然而，在有限数量的时间步长之后，这些结果可能不会直接转化为学习模型的误差界限。在本文中，我们提出了一个分布式在线估计算法，使网络中的每个代理，以提高其估计精度与邻居进行通信。我们提供的估计误差的非渐近界，利用底层模型的统计特性。我们的分析表明，估计误差和通信成本之间的权衡。此外，我们的分析允许我们确定通信可以停止的时间（由于与通信相关联的成本），同时满足期望的估计精度。我们还提供了一个数值例子来验证我们的结果。
2022-09-12 cs.LG cs.SY eess.SY
T2S-MPC: Time-Embedded Online Adaptive Model Predictive Control for Time-Varying Dynamics
JHU Department of Applied Mathematics and Statistics, Johns Hopkins University, MD, USA（约翰霍普金斯大学应用数学与统计学系）；CMU Department of Electrical and Computer Engineering, Carnegie Mellon University, PA, USA（卡内基梅隆大学电气与计算机工程系）
提出T2S-MPC框架，通过时间嵌入和双时间尺度更新在线学习残差动力学模型，实现快速时变环境下的自适应模型预测控制，在四旋翼任务中优于经典和神经MPC方法。
2026-05-24 cs.LG cs.SY eess.SY
Real-time Magnetometer Disturbance Estimation via Online Nonlinear Programming
Hong Kong University of Science and Technology（香港科技大学）
本文研究了利用惯性融合估计中间四元数的非线性优化方法，用于实时估计磁力计的未知动态磁扰动，通过数学证明解的唯一性并设计了基于内点法的求解器以提高嵌入式芯片的计算效率，实验结果表明该方法在高精度、快速响应和低计算负载方面表现优异。
2019-02-27 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
Machine Learning-based Online Stability Lobe Diagram Estimation and Chatter Suppression Control in Milling Process
Rutgers University（罗格斯大学）；New York Institute of Technology（纽约理工学院）
本文提出基于机器学习的在线稳定性唇图估计与颤振抑制控制方法，通过实时预测表面粗糙度和自适应调整主轴转速来提高铣削加工稳定性与表面质量。
2025-11-22 cs.SY eess.SY
Joint Group Testing of Time-varying Faulty Sensors and System State Estimation in Large Sensor Networks
Virginia Commonwealth University（弗吉尼亚联邦大学）
研究针对大规模传感器网络中稀疏时变故障传感器的检测问题，提出联合分组检测与卡尔曼滤波方法，实现实时系统状态估计与故障检测，减少测试次数并提升估计性能。
2015-12-01 cs.SY eess.SY
Online Learning and Coverage of Unknown Fields Using Random-Feature Gaussian Processes
University of California, Irvine（加州大学尔湾分校）
本文提出基于随机特征高斯过程在线变体与Voronoi覆盖控制和UCB采样的多机器人框架，实现未知时变密度场的在线学习与覆盖，并首次给出渐近无遗憾理论保证。
2025-11-09 cs.RO cs.SY eess.SY
Robust online estimation of biophysical neural circuits
本研究探讨了自适应观测器在神经元网络参数估计中的鲁棒性，发现去中心化和冗余能在模型存在不确定性和失配时恢复集中式递归均方算法的性能。
2023-09-08 cs.SY eess.SY q-bio.NC
Detectability Conditions and State Estimation for Linear Time-Varying and Nonlinear Systems
基于指数二分谱提出了线性时变系统的可检测性条件。该条件保证了观测器的存在，其增益仅由系统的不稳定模式决定。这允许与经典估计方法相比具有低计算复杂度的观测器设计。将这种观测器设计推广到一类非线性系统，并证明了相应的估计误差动态的局部收敛性。数值结果表明所提出的观测器设计技术的有效性。
2022-04-19 cs.SY eess.SY math.DS
Online Parameter Estimation for Continuously Monitored Quantum Systems
针对连续监测量子系统，本文提出基于对数似然随机梯度上升的递归最大似然估计算法，支持离散与连续时间，并在二能级零差测量仿真中实现多参数实时同时跟踪。
2024-06-18 cs.SY eess.SY quant-ph
Robust Online and Distributed Mean Estimation Under Adversarial Data Corruption
Purdue University（普渡大学）
我们研究了在线和分布式场景中存在对抗性数据攻击的鲁棒均值估计。在每一个时间步，网络中的每个代理都接收到一个可能被破坏的数据点，其中数据点最初是随机变量的独立和相同分布的样本。我们提出了在线和分布式算法的所有代理渐近估计的平均值。我们提供的误差界和收敛性的估计下，我们的算法的真均值。基于网络拓扑结构，我们进一步评估每个代理的收敛速度之间的权衡，将数据从邻居和学习只有本地的意见。
2022-09-17 cs.CR cs.LG cs.MA
Online Event-Triggered Switching for Frequency Control in Power Grids with Variable Inertia
UC San Diego（加州大学圣迭戈分校）；University of Washington（华盛顿大学）
针对电网时变惯性导致频率动态退化的问题，提出一种基于Neural-PI控制器的在线事件触发切换算法，在保证系统稳定性的同时优化了时变惯性下的频率控制性能。
2024-08-27 cs.AI cs.SY eess.SY
Online coalitional games for real-time payoff distribution with applications to energy markets
受市场运行在快速的时间尺度上的启发，我们提出了一个框架，在线联盟游戏与时变联盟的价值，并提出实时支付分配机制。具体来说，我们设计了两个在线分布式算法来跟踪Shapley值和核心，这两个最广泛研究的联盟博弈论的支付分配标准。我们表明，我们提出的算法产生的收益分布轨迹收敛到一个邻域的时变解决方案。我们采用了运营商理论的角度来看，我们的算法的收敛性。实时本地电力市场和合作能源预测市场的数值模拟说明了我们的算法的性能：{在线支付和静态支付（Shapley和核心）的参与者之间的差异很小;在线算法大大提高了市场参与者的数量方面的机制的可扩展性。
2023-01-28 cs.GT cs.SY eess.SY
ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors
Eindhoven University of Technology（埃因霍温理工大学）
本文提出 ON-Traffic 深度算子网络与滚动时域学习框架，利用移动探测车辆数据和下游边界输入实现在线时空交通状态估计及不确定性量化。
2025-03-18 cs.AI cs.LG cs.SY
Online parameter estimation for the Crazyflie quadcopter through an EM algorithm
Yanhua Zhao（独立研究者）
本文通过EM算法对Crazyflie四旋翼无人机进行在线参数估计，研究了噪声对系统的影响及参数估计效果。
2026-01-14 cs.AI cs.RO cs.SY
