Robust Bayesian Subspace Identification for Small Data Sets
从传统的子空间识别方法获得的模型估计可能会受到显着的方差。在大型模型或样本量有限的情况下，这种升高的方差会加剧。减少方差影响的常见解决方案是正则化估计，收缩估计和贝叶斯估计。在目前的工作中，我们调查后两种解决方案，尚未被应用于子空间识别。我们的实验结果表明，我们提出的估计可以减少估计风险的传统子空间方法的$40\%$。
2022-12-29 cs.SY eess.SY stat.ML
A Sparse Bayesian Deep Learning Approach for Identification of Cascaded Tanks Benchmark
Delft University of Technology（代尔夫特理工大学）
非线性系统辨识具有重要的应用价值。非线性系统辨识的典型方法包括Volterra级数模型、带外生输入的非线性自回归模型、块结构模型、状态空间模型和神经网络模型。其中，神经网络（NN）是一种重要的黑盒方法，由于其通用的逼近能力和对先验信息的依赖性较小。然而，有几个与NN相关的挑战。第一个问题在于设计一个合适的神经网络结构。相对简单的网络不能近似系统的特征，而复杂的模型可能导致过拟合。第二个问题在于某些非线性系统的数据可用性。对于某些系统，很难收集足够的数据来训练神经网络。这就提出了一个挑战，即如何训练神经网络的系统辨识与一个小的数据集。另外，如果能得到神经网络参数的不确定度，也有利于进一步的分析。在本文中，我们提出了一种稀疏贝叶斯深度学习方法来解决上述问题。具体来说，贝叶斯方法可以通过引入稀疏诱导先验来加强神经网络的正则化。贝叶斯方法还可以计算NN参数的不确定性。本文提出了一种有效的迭代重加权算法。我们还测试了我们的方法在原始数据集的各种比率上识别系统的能力。级联水箱系统的一步预测实验表明了该方法的有效性。此外，我们测试我们的算法更具有挑战性的模拟实验在这个基准，这也优于其他方法。
2019-11-26 cs.LG cs.SY eess.SY
Bayesian topology identification of linear dynamic networks
Eindhoven University of Technology（埃因霍温理工大学）
本文提出了一种基于贝叶斯模型选择的方法，用于在不估计动态的情况下识别转移函数网络的连接结构，通过高斯过程建模脉冲响应并利用期望最大化算法估计超参数，实验结果验证了该方法的有效性。
2019-03-14 cs.SY eess.SY
Data-driven and Model-based Verification: a Bayesian Identification Approach
Eindhoven University of Technology（埃因霍温理工大学）；University of Oxford（牛津大学）
本文提出一种结合可达性分析和贝叶斯推断的数据驱动与模型驱动形式验证方法，用于部分未知动态系统。通过案例研究探讨了部分未知线性时不变系统的有界和无界时间安全性。
2015-09-10 cs.SY eess.SY
On-line Bayesian System Identification
University of Padova（帕多瓦大学）
本文提出一种在线贝叶斯系统辨识方法，通过边际似然最大化更新超参数，仅需一次迭代优化算法，实验验证其有效性。
2016-01-17 cs.LG cs.SY eess.SY
Bayesian Parameter Identification for Jump Markov Linear Systems
本文提出了一种跳变马尔可夫线性系统参数辨识的贝叶斯方法。一个主要的动机是提供准确的量化参数的不确定性，而不依赖于渐近的数据长度参数。为了实现这一点，本文详细介绍了粒子吉布斯抽样方法，提供所需的后验分布的样本。这些样本是通过利用修改后的离散粒子滤波器和精心选择的共轭先验。
2021-02-10 cs.SY eess.SY stat.AP
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
Bayesian Physics-Informed Neural Networks for Robust System Identification of Power Systems
本文首次介绍了贝叶斯物理信息神经网络在电力系统中的应用。贝叶斯物理信息神经网络（BPINNs）结合了物理信息神经网络（PINNs）的优点，对噪声和丢失数据具有鲁棒性，贝叶斯建模为其输出提供了置信度。这样的置信度测量对于安全关键系统（诸如电力系统）的操作可能是非常有价值的，因为它为神经网络输出提供了一定程度的可信度。本文以单机无穷大系统为例，应用BP神经网络对系统的惯性和阻尼进行鲁棒辨识。本文的目标是介绍这个概念，并探讨与现有方法相比，BPINNs的优点和缺点。我们比较了BPINNs与PINNs和最近流行的系统辨识方法，SINDy。我们发现，BPINN和PINN对所有噪声水平都是鲁棒的，与SINDy相比，它可以以更低的误差提供系统惯性和阻尼的估计，特别是当噪声水平增加时。
2022-12-22 cs.SY eess.SY
On Identification of Sparse Multivariable ARX Model: A Sparse Bayesian Learning Approach
University of Cambridge（剑桥大学）；Huazhong University of Science and Technology（华中科技大学）；Cardwell Investment Tech（卡德韦尔投资科技公司）；UC Berkeley（加州大学伯克利分校）
本文提出一种基于稀疏贝叶斯学习的方法，用于识别稀疏多变量ARX模型的布尔结构和节点间动态，无需先验知识，通过最大后验估计结合复杂性和组稀疏性惩罚。
2016-09-30 cs.LG cs.SY eess.SY
Bayesian Dynamical System Identification With Unified Sparsity Priors And Model Uncertainty
本文研究降阶动力系统辨识中的不确定性量化问题。降阶系统动力学模型在设计和控制应用中无处不在，最近的努力集中在其数据驱动的建设。我们的出发点是稀疏识别的非线性动力学（SINDy）的框架，重新制定系统辨识作为一个回归问题，其中未知的功能近似从一个稀疏的子集的基础库。在这篇手稿中，我们制定这个系统辨识方法在贝叶斯框架来处理参数和结构模型的不确定性。我们提出了一个一般的方法来执行稀疏性，这是建立在最近推出的类神经元先验。我们在不同的变体之间进行比较，例如Lasso，马蹄铁，以及spike和slab先验，它们都是通过修改单个激活函数获得的。我们还概述了如何状态观测噪声可以与概率状态空间模型。由此产生的贝叶斯回归框架是强大的，易于实现。我们将该方法应用于两个通用的数值应用，摆和洛伦兹系统，和一个空气动力学应用实验测量。
2021-03-08 cs.SY eess.SY physics.comp-ph
Nonlinear Bayesian Identification for Motor Commutation: Applied to Switched Reluctance Motors
针对开关磁阻电机转矩脉动问题，提出利用非理想换相闭环实验与贝叶斯估计辨识转矩-电流-角度非线性关系，从而无需转矩传感器即可设计高性能换相函数。
2023-09-29 cs.SY eess.SY
Stochastic processes and feedback-linearisation for online identification and Bayesian adaptive control of fully-actuated mechanical systems
Oxford University（牛津大学）
本文提出了一种新的方法，结合概率识别与控制，利用随机过程先验条件和拉格朗日力学结构知识，通过反馈线性化实现对完全驱动机械系统的灵活非参数贝叶斯学习。
2014-04-01 cs.LG cs.SY eess.SY
System Identification for Lithium-Ion Batteries with Nonlinear Coupled Electro-Thermal Dynamics via Bayesian Optimization
针对锂离子电池非线性耦合电热模型的最大似然参数估计难题，提出结合动态缩窄细化搜索空间的贝叶斯优化系统辨识方法，高效求解且适用性广。
2024-08-20 cs.SY eess.SY
Bayesian kernel-based system identification with quantized output data
KTH Royal Institute of Technology（皇家理工学院）；University of Padova（帕多瓦大学）
本文提出一种新的线性系统辨识方法，利用稳定样条核作为高斯过程的协方差函数，通过马尔可夫链蒙特卡洛方法估计系统参数，显著提升了量化数据下的辨识精度。
2015-04-26 cs.SY eess.SY stat.ML
Fault Detection and Identification using Bayesian Recurrent Neural Networks
Massachusetts Institute of Technology（麻省理工学院）；ExxonMobil Research and Engineering（埃克森美孚研究与工程公司）
在加工和制造业中，一直在大力推动生产更高质量的产品，并确保流程的最大效率。这就需要采取有效的方法来检测和解决干扰，以确保最佳运行。虽然控制系统可以补偿许多类型的干扰，但仍然不能充分处理过程的变化。因此，重要的是进一步开发监测系统，以有效地检测和识别这些故障，从而使操作员能够快速解决这些故障。本文提出了一种新的概率故障检测和识别方法，该方法采用了新开发的深度学习方法，使用具有变差丢弃的贝叶斯循环神经网络（BRNN）。BRNN模型是通用的，可以模拟复杂的非线性动力学。此外，与传统的基于神经网络的数据驱动的故障检测和识别方法相比，所提出的基于BRNN的方法产生的不确定性估计，允许同时故障检测的化学过程，直接故障识别，故障传播分析。在Tennessee Eastman过程TEP和一个实际化工生产数据集上，与工业上广泛应用的动态主成分分析进行了对比，并验证了该方法的优越性。
2020-06-26 cs.LG cs.SY eess.SY
Bayesian grey-box identification of nonlinear convection effects in heat transfer dynamics
TU Eindhoven（埃因霍温理工大学）；Sioux Technologies B.V.（苏克斯技术公司）；Sheffield University（谢菲尔德大学）
本研究提出一种基于高斯过程潜势模型的贝叶斯灰箱计算流程，融合已知物理白箱与高斯过程黑箱，通过贝叶斯平滑、拉普拉斯方法与回归模型辨识传热非线性对流，经模拟与实测数据验证有效。
2024-07-09 cs.CE cs.LG cs.SY
System Identification of a Moored ASV with Recessed Moon Pool via Deterministic and Bayesian Hankel-DMDc
National Research Council-Institute of Marine Engineering（国家研究 council-海洋工程研究所）；Codevintec Italiana S.r.l.（Codevintec意大利公司）
本文针对带凹入式月池的系泊自主水面艇，提出基于HDMDc及其贝叶斯扩展的数据驱动降阶建模方法，首次验证了其在不同海况下的泛化能力与高精度预测性能。
2025-11-05 cs.CE cs.LG cs.SY
Bayesian Identification of Nonseparable Hamiltonian Systems Using Stochastic Dynamic Models
University of California San Diego（加州大学圣地亚哥分校）；University of Michigan（密歇根大学）
提出了一种基于随机动态模型的不可分哈密顿系统的系统辨识和估计的概率贝叶斯公式。不可分的哈密顿系统出现在各种科学和工程应用的模型中，如天体物理学、机器人、涡旋动力学、带电粒子动力学和量子力学。数值实验表明，所提出的方法恢复动力系统具有更高的精度和减少预测的不确定性相比，国家的最先进的方法。结果进一步表明，在存在稀疏和噪声测量的情况下，远超出训练时间间隔的准确预测是可能的，这为所提出的方法提供了鲁棒性和可推广性。一个定量的好处是预测精度小于10%的相对误差超过12倍的时间比可比的最小二乘为基础的方法对基准问题。
2022-09-15 cs.LG cs.SY eess.SY
Canonical Bayesian Linear System Identification
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所）；Basis Research Institute（Basis研究机构）；Eric and Wendy Schmidt Center（埃里克和温迪·施密特中心）；BCAM (Basque Center for Applied Mathematics)（BCAM（巴斯克应用数学中心））；Ikerbasque (Basque Foundation for Science)（Ikerbasque（巴斯克科学基金会））
针对LTI系统贝叶斯辨识中的参数不可辨识与多模态后验问题，提出将规范形式嵌入贝叶斯框架，实现可辨识推断、结构先验与渐近理论保证，并通过MCMC实验验证其效率和不确定性估计优势。
2025-08-28 cs.LG cs.SY eess.SY
Closed-loop Identification of a MSW Grate Incinerator using Bayesian Optimization for Selecting Model Inputs and Structure
针对城市固体废物炉排焚烧炉，提出利用贝叶斯优化选择模型输入与结构，实现低阶闭环辨识，获得高精度预测模型，支持基于模型的控制方案开发。
2024-01-10 cs.SY eess.SY
Bayesian and regularization approaches to multivariable linear system identification: the role of rank penalties
University of Padova（帕多瓦大学）
本文提出一种基于ℓ2正则化和秩惩罚的冲击响应估计器，用于处理多输入多输出系统中输入输出通道的耦合问题，通过优化边际似然估计超参数，实现闭式解。
2014-09-29 cs.LG cs.SY eess.SY
Bayesian Error-in-Variables Models for the Identification of Power Networks
间歇性可再生能源发电的日益一体化，特别是在配电水平，需要先进的规划和优化方法，取决于电网的知识，特别是导纳矩阵捕获的拓扑结构和线路参数的electricnetwork。然而，一个可靠的估计导纳矩阵可能会丢失或迅速成为过时的时间变化的网格。在这项工作中，我们提出了一个数据驱动的identificationmethod利用从微型PMU收集的电压和电流测量。更确切地说，我们首先提出了一个最大似然方法，然后转向贝叶斯框架，利用最大后验估计的原则。与大多数现有的contributions相比，我们的方法不仅在电压和电流数据的测量噪声的因素，但也能够利用现有的先验信息，如稀疏模式和knownline参数。在基准案例上进行的仿真表明，与其他算法相比，我们的方法可以实现更高的精度。
2021-12-19 cs.SY eess.SY stat.ML
Measurement-Based Parameter Identification of DC-DC Converters with Adaptive Approximate Bayesian Computation
随着发电厂和能源的发展，DC-DC变换器在电力系统（特别是直流微电网）中的应用范围不断扩大。参数辨识可以提取变换器的参数，生成精确的离散仿真模型。在本文中，我们提出了一种基于测量的转换器参数校准方法，通过自适应近似贝叶斯计算与顺序蒙特卡罗采样器（ABC SMC），估计与无源和寄生元件相关的参数。首先，我们提出为我们不知道先验信息的参数找到合适的先验分布。有了先验分布，我们可以使用ABC SMC来找到转换器参数的精确值。我们仔细地选择了距离函数，并根据模拟结果为阈值排序分配了最佳方法。为了提高算法的计算量，我们提出了一个自适应的权重，帮助算法找到最佳值与较少的模拟。以DC-DC降压变换器为例验证了该方法的有效性。结果表明，该方法能够准确、有效地估计出具有粗差先验分布的Buck参数的后验分布。所提出的算法也可以应用于其他参数识别和优化应用，如整流器，滤波器，或电源，等等。
2021-09-08 cs.SY eess.SY
Not All Actions Are Created Equal: Bayesian Optimal Experimental Design for Safe and Optimal Nonlinear System Identification
University of Michigan（密歇根大学）
提出一种基于贝叶斯最优实验设计（BOED）的非线性系统辨识方法，通过参数化轨迹和容积法在确保安全的前提下最大化信息获取，相比现有算法样本需求量大幅减少。
2023-08-03 cs.RO cs.SY eess.SY
Practical Bayesian System Identification using Hamiltonian Monte Carlo
本文研究了用马尔可夫链蒙特卡罗（MCMC）方法进行动态系统的贝叶斯参数估计。采用Metroplis Hastings（MH）算法，本文的主要贡献是检查和说明一个特定的建议密度的功效的基础上保持能量的哈密顿动力学，这导致在统计文献中被称为"哈密顿蒙特卡罗“（HMC）。这种方法的非常重要的效用是，正如将要说明的，它大大减少了（几乎到消除的点）的典型的非常高的相关性，在大都会-黑斯廷斯链已被观察到的几个作者限制应用的MH方法，只有非常低的维度模型结构。本文说明了如何HMC方法可以适用于显着的维度线性和非线性模型结构，即使当系统的顺序是未知的，并使用模拟和真实的数据。
2021-10-14 cs.SY eess.SY stat.AP
Bayesian Physics-informed Neural Networks for System Identification of Inverter-dominated Power Systems
本文提出利用贝叶斯物理信息神经网络（BPINN）解决逆变器主导电力系统在不确定性下的系统辨识问题，通过结合PINN与贝叶斯方法，在多种系统上实现了比SINDy低数个数量级的误差，并利用迁移学习将训练时间减少80%。
2024-03-20 cs.SY eess.SY
Integrated Pre-Processing for Bayesian Nonlinear System Identification with Gaussian Processes
提出GP-FNARX模型，通过集成数据预处理与稀疏高斯过程回归，实现从原始数据到辨识模型的自动化流程，并利用边际似然最大化同时优化预处理参数和超参数，获得能报告不确定性的贝叶斯动力学模型。
2013-09-17 cs.AI cs.RO cs.SY
Cyber-Resilient System Identification for Power Grid through Bayesian Integration
University at Buffalo（布法罗大学）；Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）
针对电网在随机和针对性虚假数据下的系统辨识问题，提出贝叶斯集成快照与时间序列模型的方法，显著降低FDIA下估计误差，并能定位异常数据，保持近线性可扩展性。
2025-10-15 cs.AI cs.CR cs.SY
Dealing with collinearity in large-scale linear system identification using Bayesian regularization
我们考虑大规模的线性和稳定的动态系统，其输出可能是许多相关的输入的结果的识别。因此，严重的病态可能会影响估计问题。这是一个场景经常出现在建模复杂的物理系统时，由许多子单元的互连，其中反馈和代数循环可能会遇到。我们开发了一种基于贝叶斯正则化的策略，其中任何冲激响应都被建模为零均值高斯过程的实现。稳定样条协方差用于包括关于冲激响应的平滑指数衰减的信息。然后，我们设计了一个新的马尔可夫链蒙特卡罗方案，处理共线性，并能够有效地重建后的冲激响应。它基于吉布斯采样的变化，其基于影响不同输入的共线性水平来更新参数空间的可能重叠的块。数值实验包括测试的良好性的方法，数百个冲激响应形成的系统和输入相关性可能是非常高的。
2022-09-03 cs.SY eess.SY math.DS
