Discrete-Time Nonlinear Systems Identification with Probabilistic Safety and Stability Constraints
本文提出了一种离散时间非线性系统的辨识方法，同时以高概率满足系统的稳定性和安全性。极端学习机（ELM）的函数重建误差的高斯假设。一个二次约束二次规划（QCQP）开发的概率安全性和稳定性约束，只需要满足采样点内的不变区域。所提出的方法进行了验证，使用两个仿真例子：一个两个自由度（DoF）的机器人机械手与关节角度的约束，其轨迹保证保持在一个安全的设置和运动轨迹数据的手绘形状。
2022-10-03 cs.SY eess.SY
A Sampling Theorem for Exact Identification of Continuous-time Nonlinear Dynamical Systems
低采样频率对从采样数据中准确识别连续时间（CT）动力系统提出了挑战，即使其模型是可识别的。提出了由Koopman算子建立的CT系统从采样数据中精确辨识的充分必要条件。该条件给出了精确辨识具有Koopman不变子空间的CT非线性动力系统的类Nyquist-Shannon临界频率：1）它建立了允许离散样本序列发现底层系统的采样频率的充分条件和2）它还建立了导致底层系统不可区分的系统混叠的采样频率的必要条件;以及3）原始CT信号不必如Nyquist-Shannon定理中所要求的那样被限带。理论判据已被证明在一些模拟的例子，包括线性系统，非线性系统的平衡，和极限环。
2022-04-29 cs.SY eess.SY math.DS
System Identification with Time-Aware Neural Sequence Models
Ghent University（根特大学）；imec（比利时微电子研究中心）
已建立的递归神经网络非常适合解决涉及离散序列的各种预测任务。然而，它们在动态系统辨识的任务中表现不佳，当处理来自在时间上不均匀采样的连续变量的观测时，例如由于缺失观测。我们展示了如何这样的神经序列模型可以适应以自然的方式处理可变步长。特别是，我们引入了现有模型（包括门控递归单元）的时间感知和静态扩展，使它们能够通过适应观察时间来处理不均匀采样的系统观察，同时促进高阶时间行为。我们讨论的属性，并证明所提出的方法的有效性，基于两个工业输入/输出过程的样本。
2019-11-21 cs.LG cs.SY eess.SY
Sampling in Parametric and Nonparametric System Identification: Aliasing, Input Conditions, and Consistency
针对慢采样连续时间系统，本文分析参数化与非参数化辨识估计量，给出 Nyquist 频率外频率响应函数无偏估计的充要条件，并证明混叠重叠下参数估计仍可一致。
2024-10-25 cs.SY eess.SY
System Identification for Continuous-time Linear Dynamical Systems
Princeton University（普林斯顿大学）；Princeton Neuroscience Institute（普林斯顿神经科学研究所）；Columbia University（哥伦比亚大学）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）；New York Genome Center（纽约基因组中心）
本文提出基于连续时间Itô随机微分方程的连续-离散滤波器系统辨识方法，通过贝叶斯推导的双滤波器后验解析形式和EM过程，支持非均匀采样数据，并推广了混合Kalman滤波器及非线性系统辨识方法的应用。
2024-06-27 cs.LG cs.SY eess.SY
Concurrent learning in high-order tuners for parameter identification
高阶调谐器是在识别参数模型的参数和/或在促进其自适应行为依赖于这种模型的控制或优化算法的进展方面显示出比经典的基于梯度的算法实现更高效率的希望的算法。对于高阶调谐器，鲁棒稳定特性，即一致全局渐近（和指数）稳定性，目前依赖于持续激励（PE）条件。在这项工作中，我们建立了这样的稳定性与一个新的分析的基础上Matrosov定理，然后表明，PE的要求可以放宽通过并行学习技术驱动的采样数据点是足够丰富的。我们的数字表明，并行学习可以大大提高效率。我们采用重置方法，保持稳定性的保证，同时提供额外的改进，可能是相关的应用程序，要求高度准确的参数估计在相对较低的额外成本的计算。
2022-04-04 cs.SY eess.SY
Set-membership identification of continuous-time MIMO systems via Tustin discretization
本文针对受未知但有界误差影响的采样数据，提出基于集员技术与Tustin离散化的连续时间MIMO系统辨识方法，克服导数测量困难，并将其转化为可求解的多项式优化问题，通过仿真与实验验证有效性。
2025-08-26 cs.SY eess.SY math.OC
Continuous-Time System Identification and OCV Reconstruction of Li-ion Batteries via Regularized Least Squares
本文提出一种连续时间正则化最小二乘方法，直接从采样数据辨识锂离子电池参数，并联合估计OCV-SOC曲线，避免离散化误差，无需离线测试，仿真和实测验证有效。
2025-09-25 cs.SY eess.SY
Dynamic relations in sampled processes
University of California, Irvine（加州大学尔湾分校）；Shanghai Jiao Tong University（上海交通大学）；KTH Royal Institute of Technology（皇家理工学院）
本文探讨了在不同采样率下动态关系的准确性问题，提出通过最细时间尺度构建随机模型以确定正确的动态依赖关系。
2018-07-24 cs.SY eess.SY math.OC
Data-Driven Model Invalidation for Unknown Lipschitz Continuous Systems via Abstraction
本文研究了Lipschitz连续系统的数据驱动模型失效问题，其中不需要给出系统的数学模型，而只需要系统的先验噪声采样数据.我们表明，这种数据驱动的模型失效问题可以使用一个易于处理的可行性检查来解决。我们提出的方法包括两个主要组成部分：（i）数据驱动的抽象部分，它使用噪声采样数据来过度近似未知的Lipschitz连续动态与上下函数，以及（ii）基于优化的模型失效组件，它确定数据驱动的抽象与新观察到的长度T输出轨迹的不兼容性。最后，我们讨论了几种降低算法计算复杂度的方法，并通过一个群体意图识别的仿真例子证明了它们的有效性。
2020-03-25 cs.SY eess.SY
Consensus based phase connectivity identification for distribution network with limited observability
配电网（DN）不平衡的缓解和使用单相的灵活性拥塞缓解需要准确的相位连接信息，这往往是不可用的。对于大DN，在大多数现有工作中提出的使用单个电压参考的朴素相位识别对于多馈线DN不能很好地缩放。我们提出了一种基于一致性算法的相位识别机制，它使用多个三相参考点来提高相位的预测。由于没有真正的测量一个真正的郊区德国DN，算法的开发和评估使用数字孪生的合成数据。为了利用强相关的测量，DN被集群到区域中。我们观察到位于与单相消费者相同的区域中的那些参考测量导致DN相位的准确预测。四个共识算法的开发和比较。使用数值结果，我们建议最强大的相位识别机制。在我们的评估中，还评估了测量误差和中性导体的影响。我们假设有限的DN可观测性，并将我们的研究结果应用于德国DN没有智能电表，但只有不到8%的节点有测量盒以及单相消费者与家庭能源管理系统。使用1个月的电压时间序列（每小时采样）。数值结果表明，对于1%的精度等级测量，在德国DN中的313个单相用户中的308个的相连通性可以被识别。此外，我们还提出了量化的相位识别的善良的度量。基于DN区的一致性算法的相位识别框架对于大DN是可扩展的，并且对测量误差是鲁棒的，因为估计不依赖于单个测量点。
2023-01-10 cs.SY eess.SY
Some of the variables, some of the parameters, some of the times, with some physics known: Identification with partial information
Princeton University（普林斯顿大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Whiting School of Engineering（怀廷工程学院）
针对非均匀采样、变量不全且仅掌握部分先验物理知识的实验数据，该研究提出基于数值积分和先验物理知识的神经网络架构，结合物理信息灰箱实现动力系统辨识，无需预处理数据即可学习未知项并估计参数。
2023-04-27 cs.CE cs.LG cs.SY
Real-time Coherency Identification using a Window-Size-Based Recursive Typicality Data Analysis
这项工作提出了一个数据驱动的分析，考虑到递归形式的典型性为基础的数据分析（TDA）的相干性检测所需的最小长度。它提出了一种方法，该方法包含典型性（τ）的方差的观察，以评估确定相干总线所需的最小窗口长度，其中TDA方法和总线组的属性在每个新的采样数据点处迭代计算。一旦每个组的方差达到某个值，则确定最小窗口长度。此外，该方法保留了TDA只使用测量值的特点，不需要预先确定群数、群中心或截止常数。该方法被施加到众所周知的2-区昆都士测试系统，允许证实其有效性，并得出结论，最小的窗口长度依赖于最慢的区域间模式。
2021-11-19 cs.SY eess.SY stat.AP
Efficient Reconstruction of Neural Mass Dynamics Modeled by Linear-Threshold Networks
针对线性阈值网络描述的脑活动放电率动力学重构中参数多、目标函数非凸的问题，提出结合生物特征的标量优化重构方法，证明解的唯一性，设计搜索算法及抗噪声改进版，经仿真验证有效。
2023-08-27 cs.SY eess.SY
Geometric Time-Domain Identification of Three-Phase Load Equivalents from Terminal Measurements
University of Almeria（阿尔梅里亚大学）；New York University（纽约大学）
提出一种几何时域方法，利用瞬时电压电流测量轨迹在欧几里得信号空间中的几何特性辨识三相负载等效参数，适用于三线和四线系统，通过采样数据实现并包含可辨识性测试与无源性约束。
2026-06-08 cs.SY eess.SP eess.SY
Continuous Order Identification of PHWR Models Under Step-back for the Design of Hyper-damped Power Tracking Controller with Enhanced Reactor Safety
Jadavpur University（贾达普大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Bhabha Atomic Research Centre（巴巴原子研究中心）
本文针对500 MWe压水堆建立了离散时间高整数阶线性传递函数模型，通过最小二乘估计法在八个不同运行点识别了非线性核反应堆模型，并利用合成频域数据识别了分数阶模型，以设计连续阶PID类补偿器，实现宽范围运行条件下的功率跟踪，提高反应堆安全性。
2013-06-16 cs.SY eess.SY math.OC
Universal Algebraic Controllers and System Identification
本文提出了近终周期系统系统辨识的结构算子逼近理论方法。令$\mathbb{C}^{n\times m}$表示$n\times m$复矩阵的代数。给定$\varepsilon>0$，任意离散时间动力系统$(Σ,\mathcal{T})$，其状态空间$Σ$包含在有限维希尔伯特空间$\mathbb{C}^n$中，其状态转移映射$\mathcal{T}:Σ\times ([0,\infty)\cap \mathbb{Z})\to Σ$未知或部分已知，并且需要根据规则$\mathcal{T}(x_t,1)=x_{t+1}$针对每个$1\leq t\leq m-1$基于有限集合$\hatΣ=\{x_t\}_{1\leq t\leq m}\subset Σ$中的一些采样数据来确定，并且给定$x\in \hatΣ$。研究了由多项式$p\in \mathbb{C}[z]$和$°(p)\leq m$，$p(z)=0$和$r\leq m$的矩阵根$A\in\mathbb{C}^{m\times m}$和近似矩阵根$A_η\in\mathbb{C}^{r\times r}$，两个完全正线性乘法映射$φ:\mathbb{C}^{m\times m}\to \mathbb{C}^{n\times n}$和$Φ:\mathbb{C}^{r\times r}\to \mathbb{C}^{n\times n}$，…
2020-01-29 cs.NA cs.SY eess.SY
