Selective Memory Recursive Least Squares: Recast Forgetting into Memory in RBF Neural Network Based Real-Time Learning
Harbin Institute of Technology(哈尔滨工业大学);University of Sussex(萨塞克斯大学)
本文提出选择性记忆递归最小二乘(SMRLS)方法,将RBF神经网络中的遗忘机制重塑为基于样本时空分布的记忆机制,以解决被动知识遗忘问题,并提升实时学习速度与泛化能力。
2023-08-08 cs.LG cs.NE cs.SY
Adaptive FRIT-based Recursive Robust Controller Design Using Forgetting Factors
针对带指数遗忘的自适应FRIT方法依赖持续激励条件易致性能下降或不稳定的问题,提出基于方向遗忘与指数重置的新型A-FRIT方法,经人工肌肉控制实验验证其控制性能高、鲁棒性强且无需系统辨识等前置条件。
2024-05-01 cs.SY eess.SY
Inverter Output Impedance Estimation in Power Networks: A Variable Direction Forgetting Recursive-Least-Square Algorithm Based Approach
本文提出一种基于VDF-RLS的非侵入式逆变器输出阻抗估计方法,通过dq坐标变换、辅助PLL及仅依赖d轴进行信号调理,在低激励条件下实现比现有方法低三倍以上的估计误差。
2025-04-09 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
Discrete-time Indirect Adaptive Control for Systems with Disturbances via Directional Forgetting: Concurrent Learning Approach
提出一种结合方向遗忘与并发学习的离散时间自适应控制方法,无需PE条件及扰动信息,保证UUB且上界可设计,仿真验证有效性。
2025-02-28 cs.SY eess.SY
Learning-Based Distributionally Robust Model Predictive Control of Markovian Switching Systems with Guaranteed Stability and Recursive Feasibility
针对切换概率未知的机会约束马尔可夫切换系统,提出了一种数据驱动的模型预测控制方法。利用马尔可夫链的样本,估计转移概率的模糊集,其中包括具有高概率的真实条件概率分布。这些集在线更新,并用于制定一个随时间变化的,规避风险的最优控制问题。我们证明了所得到的MPC计划的递归可行性,并表明,原来的机会约束仍然满足在每个时间步。此外,我们表明,充分降低的置信水平下,由此产生的MPC计划使闭环系统的均方稳定的真实,但未知的分布,同时保持保守性比一个完全强大的方法。
2020-10-01 cs.SY eess.SY math.OC
NMPC in Active Subspaces: Dimensionality Reduction with Recursive Feasibility Guarantees
本文提出一种NMPC降维通用框架,通过将决策变量空间分解为主动与非主动补集来保证递归可行性,并利用全局敏感性分析构建主动子空间,在化学反应器中实现了20-40倍降维且性能衰减极小。
2022-09-22 cs.SY eess.SY math.OC
Recursive Total Least-Squares Algorithm Based on Inverse Power Method and Dichotomous Coordinate-Descent Iterations
University of South Australia(南澳大学);Aalto University(阿尔托大学)
本文提出一种基于逆幂方法和二分坐标下降迭代的递归总最小二乘算法,相比传统方法,计算复杂度更低且具有渐近无偏性和稳定性,同时推导了遗忘因子下界和稳态均方偏差理论值。
2014-11-11 cs.LG cs.SY eess.SY
Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种基于库普曼提升模型的子空间数据驱动预测控制方法,通过学习可观测函数抑制多步预测误差,并利用终端代价、终端集和插值初始状态保证递归可行性,同时通过新型正则化代价获得闭环输入到状态稳定性。
2024-05-02 cs.LG cs.SY eess.SY
Probabilistic Guarantees for Nonlinear Safety-Critical Optimal Control
California Institute of Technology(加州理工学院)
利用黑盒风险感知验证的最新发展,我们提供了三种算法,这些算法可以在(1)解决方案的最优性,(2)递归可行性和(3)一般非线性安全临界有限时间最优控制器的最大控制器运行时间上生成概率保证。这些方法放弃了典型理论保证所需的通常(可能)限制性假设,例如非线性模型预测控制中递归可行性的终端集计算,或最优控制器的凸化以确保最优性。此外,我们表明,这些方法可以直接应用于硬件系统,以产生各自的系统上的控制器保证。
2023-03-11 cs.RO cs.SY eess.SY
Online Data-Driven Reachability Analysis using Zonotopic Recursive Least Squares
Technical University of Munich(慕尼黑工业大学);German University in Cairo(开罗德国大学)
提出基于 EF ZRLS 的在线数据驱动可达性分析框架,可直接从实时状态测量计算可达集过近似,适用于离散时间 LTV 及非线性 Lipschitz 系统,保守性更低且鲁棒性强,经模拟和实际实验验证有效。
2026-08-12 cs.SY eess.SY
Online learning-based Model Predictive Control with Gaussian Process Models and Stability Guarantees
Otto-von-Guericke-University(奥托·冯·格里克大学);Universidad de Sevilla(塞维利亚大学)
模型预测控制允许以约束满足的形式提供高性能和安全保证。然而,只有当用于预测的受控过程的基础模型足够准确时,这些性质才能得到满足。解决这一挑战的单向式方法之一是通过数据驱动和机器学习方法,例如高斯过程,允许在操作期间在线优化模型。我们提出了一个组合的输出反馈模型预测控制计划和高斯过程为基础的预测模型,能够有效的在线学习。为此,进化高斯过程的概念与递归后验预测更新相结合。所提出的方法保证了递归约束满足和输入到状态稳定性的模型-植物不匹配。仿真研究表明,高斯过程预测模型可以成功有效地在线学习。通过结合递归更新过程和限制训练数据点的数量,同时保持良好的性能,从而显着降低了计算负荷。
2020-12-01 cs.LG cs.SY eess.SY
Low computational cost method for online parameter identification of Li-ion battery in battery management systems using matrix condition number
监测锂离子电池的健康状态在电池管理系统(BMS)中至关重要,它可以帮助最终用户高效安全地使用电池。可以通过使用各种算法识别电池模型的参数来监测电池健康状态。由于BMS的计算能力较低,且参数时变,因此开发一种低计算成本的在线算法非常重要。在各种方法中,基于等效电路模型(ECM)的递归最小二乘(RLS)参数辨识非常适合于这种困难的BMS环境。然而,RLS的一个众所周知的关键问题是,它很可能是数值不稳定的,除非测量的输入使电池模型足够的激励。本文针对锂离子电池参数辨识问题,提出了一种新的RLS算法--条件记忆递归最小二乘(CMRLS),以解决此类问题,同时根据条件数改变遗忘因子,充分利用RLS的优点。在CMRLS中,使用RLS变量之间的递归关系,通过简单的计算来监控精确的条件数。通过对锂离子电池的仿真,比较了CMRLS和原RLS的性能。结果表明,CMRLS识别锂离子电池参数的平均绝对误差约100倍,比RLS准确。
2020-01-10 cs.SY eess.SP eess.SY
Regularization-Induced Bias and Consistency in Recursive Least Squares
在递归最小二乘(RLS)参数估计的背景下,本文的目标是研究正则化引起的偏差的影响的瞬态和渐近精度的参数估计。我们分三个阶段考虑这个问题。首先,我们考虑随机数据的回归,在这种情况下,持久性是有保证的。接下来,我们将RLS应用于有限脉冲响应(FIR)系统辨识,最后应用于无限脉冲响应(IIR)系统辨识。对于每种情况,我们将回归矩阵的条件数与参数估计的瞬态响应和收敛速度联系起来。
2021-08-10 cs.SY eess.SY
Partial Diffusion Recursive Least-Squares for Distributed Estimation under Noisy Links Condition
Malayer University(马拉耶尔大学);University of Surrey(萨里大学)
本文研究了在噪声链路条件下部分扩散递归最小二乘算法的稳态性能及收敛性,推导了稳态均方偏差理论表达式,并通过仿真结果表明算法稳定性条件不足以保证收敛。
2016-07-19 cs.DC cs.SI cs.SY
Robust Data-Driven Tube-Based Zonotopic Predictive Control with Closed-Loop Guarantees
KTH Royal Institute of Technology(皇家理工学院);Technical University of Munich(慕尼黑工业大学);Digital Futures(数字未来)
本文提出一种针对离散时间线性系统的鲁棒数据驱动TZPC方法,通过两阶段设计在有界噪声下保证递归可行性与闭环鲁棒指数稳定性,数值仿真验证了其有效性与优越性能。
2025-09-16 cs.SY eess.SY
A local recursive least squares approach for discrete-time adaptive fuzzy control
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Instituto Federal de Educação, Ciência e Tecnologia de Minas Gerais(米纳斯吉拉斯联邦教育、科学和技术学院)
本文提出一种局部递归最小二乘自适应模糊控制方法,通过规则独立协方差与激活式更新降低内存并保证误差有界,并给出LMI综合条件,在三个数值示例中验证了有效性。
2026-10-02 cs.SY eess.SY
Recursive Sparse Point Process Regression with Application to Spectrotemporal Receptive Field Plasticity Analysis
University of Maryland, College Park(马里兰大学帕克分校)
本文提出递归稀疏点过程回归方法,通过引入遗忘因子和ℓ1正则化,实现在线估计稀疏时变参数向量,用于分析听觉神经元的频谱时间感受野可塑性。
2015-07-16 cs.NE cs.SY eess.SY
Recursive Network Estimation From Binary-Valued Observation Data
本文研究了由二值观测值的时间序列递归估计网络的加权邻接矩阵的问题。观察序列是从非线性网络动力学中产生的,其中代理交换和显示二进制输出。给出了观测序列稳定和系统参数可辨识的充分条件。结果表明,在独立的标准高斯扰动的假设下,可以保证系统的稳定性和可辨识性。通过极大似然法将估计问题转化为优化问题,并在独立的标准高斯假设下证明了其解是真参数向量。基于随机逼近技术,提出了一种估计问题的递归算法。证明了算法的强相合性,并分析了算法的收敛速度.最后,数值模拟进行说明的结果,并表明该算法是不敏感的小未建模因素。
2019-12-04 cs.SY eess.SY
Model Predictive Control with Preview: Recursive Feasibility and Stability
针对非线性系统,提出了一种具有扰动预见信息的镇定模型预测控制(MPC)方案。所提出的MPC算法不仅能够通过必要时利用干扰预见信息来抑制干扰,而且还能够利用干扰,如果它对控制任务有利的话。这是通过在执行在线优化时考虑预测范围中的任务(例如参考轨迹)和干扰预览来实现的。建立了在扰动下保证递归可行性和稳定性的条件。首先将时域内的扰动与状态进行叠加,形成新的复合系统,然后对阶段代价函数进行相应的修正。借助输入到状态稳定性理论,构造了终端代价和终端约束,并将其加入到带预见的MPC算法中,以保证其在有界扰动下的递归可行性和稳定性。数值仿真结果验证了所提MPC算法的有效性。
2022-02-25 cs.SY eess.SY
Policy iteration: for want of recursive feasibility, all is not lost
研究了策略迭代(PI)的递归可行性、递归鲁棒稳定性和近优性。为此,我们考虑确定性非线性离散时间系统的输入产生的PI为未贴现的费用函数。我们首先假设PI是递归可行的,在这个意义上,在每次迭代解决的最优化问题承认一个解决方案。在这种情况下,我们提供了新的条件,建立递归的鲁棒稳定性的一般吸引子,这意味着在每次迭代产生的政策,确保一个强大的\KL稳定性的一般状态测量。然后,我们推导出新的显式边界之间的不匹配(次优)值函数返回PI在每次迭代和最佳的。之后,动机的反例表明,PI可能无法递归可行的,我们修改PI,使递归可行性的先验保证在温和的条件下。这种改进的算法,称为PI+,保持递归的鲁棒稳定性时,吸引子是紧的。此外,在相同的假设下,PI+与其PI对应物具有相同的近最优性。因此,PI+是一个有吸引力的工具,用于产生确定性离散时间非线性系统的近最优镇定控制。
2022-10-26 cs.SY eess.SY math.OC
Simultaneous Recursive Identification of Parameters and Switching Manifolds Identification of Discrete-Time Switched Linear Systems
提出了一类离散切换线性系统在线辨识的新方法,该方法可同时估计系统的参数和切换流形。首先,为了估计子系统的参数,设计了一种基于离散时间并行学习的递归参数估计器,以保证估计误差指数收敛到零。其次,作为辨识框架的辅助过程,提出了一种利用并发学习估计器产生的历史堆栈进行在线切换检测的方法。第三,应用增量式支持向量机技术,建立了估计系统切换流形的递推算法,并通过基于李纳普诺夫方法证明了算法的稳定性。最后,通过对一个二阶切换线性系统的数值仿真,验证了所提辨识方法的稳定性和精度。与传统的离线识别方法相比,本文提出的在线识别框架在大数据量下具有更高的识别效率,但在结论中也讨论了该框架的局限性和前景。
2023-03-07 cs.SY eess.SY
Distributed and Localized Model Predictive Control. Part II: Theoretical Guarantees
工程信息物理系统正变得越来越大和复杂。这些系统需要可扩展的控制器,鲁棒地满足状态和输入约束的存在下,加性噪声-这种控制器还应该伴随着理论上的可行性和稳定性的保证。在我们的配套文件中,我们介绍了分布式和本地化模型预测控制(DLMPC)的大规模线性系统; DLMPC是一个可扩展的闭环MPC计划,其中子系统只需要交换本地信息,以综合和实施本地控制器。在本文中,我们提供了递归的可行性和渐近稳定性保证DLMPC。我们利用系统级综合框架来表达闭环系统的最大正鲁棒不变集及其相应的李雅普诺夫函数,都在闭环系统响应方面。我们使用不变集作为DLMPC的终端集,并证明了这保证了最小保守性的可行性。我们使用的李雅普诺夫函数的终端成本,并表明,这保证了稳定性。我们提供了完全分布式和本地化的算法来计算终端集离线,也提供了必要的补充在线DLMPC算法,以适应耦合终端约束和成本。在所有的算法中,只有当地的信息交换是必要的,计算复杂性是独立的全球系统的大小-我们证明了这一点分析和实验。这是第一个分布式MPC的方法,提供最低限度的保守,但完全分布式保证递归的可行性和渐近稳定性,为标称和鲁棒设置。
2022-03-01 cs.SY eess.SY math.OC
Stability-Certified On-Policy Data-Driven LQR via Recursive Learning and Policy Gradient
Department of Electrical, Electronic and Information Engineering, Alma Mater Studiorum - Università di Bologna(阿尔玛·mater studiorum - 博洛尼亚大学电气、电子与信息工程系)
本文提出一种在线数据驱动LQR方法,结合递归最小二乘与策略梯度,通过Lyapunov方法提供稳定性保证,经飞机控制实验验证有效性。
2026-04-10 cs.SY eess.SY
Semi-definite programs for online control of nonlinear systems with stability guarantees
Tsinghua University(清华大学)
本文提出基于半定规划的在线反馈控制方法,通过状态依赖表示解决非线性系统控制问题,结合Lyapunov证书保证稳定性并满足二次性能规范。
2026-04-18 cs.SY eess.SY math.OC
A Generalization of the Borkar-Meyn Theorem for Stochastic Recursive Inclusions
Department of Computer Science and Automation, Indian Institute of Science(印度科学研究所计算机科学与自动化系)
本文扩展了Borkar-Meyn定理,以涵盖均场为微分包含的情况,提出了两种充分条件保证递归包含的稳定性和收敛性,并讨论了近似漂移问题的解法。
2016-09-27 cs.SY eess.SY math.DS