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
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
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
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
Continuous-Time Decentralized Online Estimation With Additive Noises
Ningbo University（宁波大学）；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数学科学重点实验室）；Key Laboratory of Management, Decision and Information Systems, Institute of Systems Science, 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科学研究所管理、决策与信息系统的重点实验室）
针对固定有向图上的加性通信噪声，提出连续时间分布式在线估计算法，通过将收敛性分析转化为非自治线性随机微分方程的稳定性分析，利用数值逼近理论证明均方收敛条件。
2026-07-01 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 State Estimation for Supervisor Synthesis in Discrete-Event Systems with Communication Delays and Losses
在网络化离散事件系统（DES）的背景下，在用于观察的被控对象和监督者之间以及用于控制的监督者和执行器之间存在通信延迟和损失。在本文中，我们首先介绍了一个新的框架，监督控制的网络DES。在所介绍的框架下，我们解决了状态估计问题的监督合成的网络化DES的通信延迟和损失。估计算法考虑了对系统施加的控制的效果。此外，估计算法是基于目前可用的控制决策，并假设所有未来的控制决策是不可知的。定义了用于跟踪观测延迟和损失的“观测信道配置”和用于跟踪控制延迟和损失的“控制信道配置”两个概念。然后，我们介绍了一种在线方法的状态估计的控制系统。与现有方法相比，所提出的方法在所介绍的框架下，可以更准确地估计被控系统的状态。作为所提出的方法的应用，我们最后表明，现有的方法可以很容易地应用于合成最大限度地允许和安全的网络监督。
2022-10-06 cs.SY eess.SY
Online inverse reinforcement learning with limited data
本文研究了具有有限数据和不确定动态系统的在线逆强化学习问题。在所开发的方法中，状态和控制轨迹记录在线观察代理执行任务，并使用一种新的逆强化学习方法实时执行奖励函数估计。参数估计同时进行，以帮助补偿代理的动态的不确定性。通过设计数据驱动的更新律来估计最优反馈控制器，解决了数据不足的问题。然后可以查询估计的控制器以人为地创建附加数据来驱动奖励函数估计。
2020-08-18 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
Adaptive Real-Time Grid Operation via Online Feedback Optimization with Sensitivity Estimation
在本文中，我们提出了一种基于在线反馈优化（OFO）控制器的方法，该控制器具有用于实时电网操作的电网输入-输出灵敏度估计，例如，在亚秒的时间尺度上。OFO控制器使用电网测量作为反馈来更新电网中的可控元件的值，并跟踪时变AC最优潮流（AC-OPF）的解。而不是依赖于全网格模型，例如，电网导纳矩阵，OFO仅需要与可控输入的变化相关的稳态灵敏度，例如，功率注入设定点，到测量输出的变化，例如，电压幅值。由于不准确的灵敏度可能会导致模型失配并危及性能，我们提出了一种递归最小二乘估计，使OFO能够在实时操作期间从测量中学习灵敏度，从而将OFO变成无模型方法。我们分析证明了所提出的OFO与灵敏度估计的收敛性，并验证其性能的模拟使用IEEE 123总线测试馈线，并比较它对一个国家的最先进的OFO与恒定的灵敏度。
2022-05-16 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
Computationally Efficient Machine-Learning-Based Online Battery State of Health Estimation
针对商用BMS低成本微控制器难以运行复杂AI/ML模型的问题，本文提出一种基于四频率在线阻抗特征和线性回归的计算高效、数据轻量的SoH估计方法，并在两个实验数据集上验证了MAE低于2%的准确性。
2024-06-10 cs.SY eess.SY
HiL Demonstration of Online Battery Capacity and Impedance Estimation with Minimal a Priori Parametrization Effort
本文提出一种结合联合扩展卡尔曼滤波与递推最小二乘法的在线电池容量和内阻估计方法，无需完整先验电池模型，并通过离线仿真与硬件在环实验验证了其在真实驾驶场景下的实时参数更新能力。
2024-11-23 cs.SY eess.SY
Online Estimation of Power System Inertia Using Dynamic Regressor Extension and Mixing
Brandenburgische Technische Universität Cottbus-Senftenberg（勃兰登堡工业大学科特布斯-森夫滕贝格分校）；University of Leeds（利兹大学）；CNRS L2S（法国国家科学研究中心L2S）
本文提出了一种在线估计电力系统惯性的方法，利用动态回归器扩展和混合技术，通过1013台机器的ENTSO-E动态模型测试案例验证了该方法的有效性。
2019-04-04 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
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
Online Parameter Estimation using Physics-Informed Deep Learning for Vehicle Stability Algorithms
基于物理的深度学习是动力系统建模和控制的一个流行趋势。提出了一种快速在线辨识汽车侧偏刚度系数的新方法。侧偏刚度系数是汽车稳定性控制模型和控制算法的关键参数。新方法使设计人员能够快速识别车辆前后侧偏刚度参数，从而在不同的道路和车辆条件下重新调整控制器参考增益，以改善控制系统在运行期间的参考跟踪性能。将基于车辆模型的深度学习的方法与其他替代方法进行比较，例如传统的神经网络训练和识别，以及Pacejka回归模型估计。我们的初步研究结果表明，在这些经典的方法相比，高保真度的估计，可以用小得多的数据集简单到足以从换道或车辆超车机动。为了进行实验和收集传感器数据，定制了一个1：8比例的测试车辆平台，使用实时无线联网功能。所提出的方法是适用于预测推导的车辆参数，如转向不足系数，因此它可以与传统的MIMO控制器并行使用。我们的$H_{\infty}$横摆角速度调节控制器的测试结果表明，所提出的在线估计方法更新的参考增益提高跟踪性能的仿真和车辆实验。
2023-03-01 cs.SY eess.SY
Knapsack-based Online Sensor Selection for Vehicle State Estimation
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Politecnico di Milano（米兰理工大学）
为了解决车辆依赖外部传感器数据带来的通信和计算成本问题，本文提出了一种基于背包问题的在线传感器选择方法，通过实时选择低成本的传感器子集，并满足由扩展卡尔曼滤波协方差导出的随机约束误差界。
2026-05-16 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
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
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
Distributed online estimation of biophysical neural networks
在这项工作中，我们提出了一种分布式自适应观测器的一类非线性网络系统的启发生物物理神经网络模型。神经系统通过以分布式方式调整内在和突触权重来学习，神经元膜电压携带来自网络中相邻神经元的信息。我们表明，这种学习原理可以用来设计一个自适应观测器的基础上分散的学习规则，大大减少了所需的参数估计指数收敛的观测器状态的数量。这种新颖的设计是相关的生物，生物医学和神经形态学的应用。
2022-09-21 cs.SY eess.SY q-bio.NC
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 State Estimation for Time-Varying Systems
本文研究了线性测量模型的时变系统的状态估计问题;特别是，本文考虑了可用测量数小于状态数的情况。代替一批线性最小二乘（LS）的方法-非常适合静态网络，其中可以收集足够数量的测量值，以获得满秩设计矩阵-本文提出了一种在线算法来估计可能随时间变化的状态，通过处理测量值和可用时。该算法的设计取决于一个广义LS成本与邻近点型正则化增强。利用以封闭形式可用的正则化LS问题的解，在线算法被写为线性动力系统，其中状态基于先前的估计和基于新的可用测量来更新。条件下的算法步骤实际上是一个收缩映射，并得出不同的噪声模型的估计误差的界限。数值模拟证实了分析结果。
2021-04-05 cs.SY eess.SY math.OC
Online Delay Estimation and Adaptive Compensation in Wireless Networked System: An Embedded Control Design
在目前的工作中，嵌入式PI控制器的直流调速通过无线网络的设计。嵌入式控制器集成PI控制器与建议的时间延迟估计器和自适应数字Smith预估器的实时操作，这是工作的新颖性。开发的嵌入式控制器在无线网络上的实时或在线操作是可能的，主要是由于在提出一个新的经验公式的时间延迟估计，可行的近似时间延迟，离散化方案在发展中国家提出的自适应史密斯预测的贡献。所提出的嵌入式设计验证了由于随机网络诱导延迟的控制性能的恶化得到实时缓解。嵌入式控制器的设计和测试的短距离为100米，无线技术选择是适合于生物医学应用。
2019-12-01 cs.SY eess.SY math.DS
Self-Excitation: An Enabler for Online Thermal Estimation and Model Predictive Control of Buildings
General Motors Powertrain（通用汽车动力总成部门）；Air Force Research Laboratory（美国空军研究实验室）
本文提出通过在线识别和激发（主动学习过程）提升建筑热预测控制性能，利用控制器激发未知动态部分，改进热模型估计，从而提高MPC的能耗节约和舒适度。
2015-12-27 cs.LG cs.SY eess.SY
Online Dynamic Parameter Estimation of an Alkaline Electrolysis System Based on Bayesian Inference
当直接与波动的能源如风能和光伏电源耦合时，电力制氢（P2H）系统中的碱性电解（AEL）需要通过动态调节其制氢速率来灵活运行。挠曲特性，例如，与AEL系统动态过程有关的一些参数对AEL系统的加载范围和上升速率有很大影响。这些参数通常难以直接测量，甚至可能随时间而变化。为了准确评估在线运行的AEL系统的灵活性，本文提出了一种基于贝叶斯推理的马尔可夫链蒙特卡罗（MCMC）方法来估计这些参数。同时，作为副产品，后验联合概率分布的估计参数，这提供了有价值的物理见解的AEL系统。在25 kW电解槽上的实验验证了所提出的参数估计方法的有效性。
2022-03-08 cs.SY eess.SY math.OC
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
Simultaneous State Estimation and Online Model Learning in a Soft Robotic System
Department of Information Technology, Uppsala University（信息科技系，乌普萨拉大学）；Vascular Surgery, Hannover Medical School（血管外科，汉诺威医学院）
本文提出一种方法，利用灰盒系统识别工具，在线学习软机器人的弯曲刚度模型并准确估计其姿态。
2026-05-14 cs.RO cs.SY eess.SY
Online Learning of Kalman Filtering: From Output to State Estimation
School of Artificial Intelligence and Automation at the Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；College of Automation Engineering at Nanjing University of Aeronautics and Astronautics（南京航空航天大学自动化工程学院）；Elmore Family School of Electrical and Computer Engineering at Purdue University（普渡大学埃尔莫尔家族电气与计算机工程学院）
本文研究了在部分观测线性动态系统中学习未知系统模型的卡尔曼滤波问题，提出了一种基于在线优化的统一算法框架，解决输出估计和状态估计场景。通过分析估计误差成本函数的性质，证明算法在输出估计场景中达到logT regret，同时解决更挑战性的状态估计问题，揭示了算法在有限观测下的权衡。
2026-03-28 cs.LG cs.SY eess.SY
Robust Online Covariance and Sparse Precision Estimation Under Arbitrary Data Corruption
Purdue University（普渡大学）
针对任意对抗性数据破坏下的在线协方差与稀疏精度估计问题，提出改进的截断内积在线算法，并给出误差界与收敛性保证。
2023-09-16 cs.CR cs.LG cs.SY
Online Estimation and Coverage Control with Heterogeneous Sensing Information
Michigan State University（密歇根州立大学）
异构多机器人传感系统能够比同构系统更全面地表征物理过程。获得多种形式的传感数据允许这样的系统融合互补源之间的信息，并学习感兴趣的现象的更丰富的表示。通常，这些数据是相关的，但保真度不同，即，准确度（偏差）和精密度（噪声）。低保真数据可能更丰富，而高保真数据可能更值得信赖。在本文中，我们解决的问题，多机器人在线估计和覆盖控制相结合的低和高保真度的数据来学习和覆盖感兴趣的感官功能。我们提出了两种算法，这项任务的异构学习和覆盖-即随机排序的多保真度学习和覆盖（SMLC）和确定性排序的多保真度学习和覆盖（DMLC）-并证明它们渐近收敛。此外，我们通过数值模拟证明了SMLC和DMLC的经验功效。
2021-06-28 cs.LG cs.RO cs.SY
Relative Entropy (RE) Based LTI System Modeling Equipped with time delay Estimation and Online Modeling
针对线性时不变系统脉冲响应建模问题，提出基于相对熵的方法，可同时估计时延、脉冲响应长度与未知信噪比下的噪声方差，还扩展出高效在线估计方法，仿真验证其精度和效率优于传统方法。
2022-10-04 cs.IT cs.SY eess.SP
