Subspace Identification of Large-Scale 1D Homogeneous Networks
Delft Center for Systems and Control, Delft University（代尔夫特系统与控制中心，代尔夫特理工大学）
本文提出一种新的子空间识别方法，通过局部输入输出信息识别大规模一维网络中的局部系统矩阵，利用数据矩阵的低秩性和双层Toeplitz结构进行子空间检索，实现单子系统状态空间实现。
2017-02-12 cs.SY eess.SY
Subspace Identification with Multiple Data Records: unlocking the archive
Solar Turbines Inc.（Solar Turbines 公司）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
本文提出利用多数据记录进行子空间系统识别的方法，并提出基于秩的检验方法，用于评估数据对唯一线性无噪声动态模型的适配性。
2017-04-09 cs.SY eess.SY
Regression techniques for subspace-based black-box state-space system identification: an overview
Poitiers University（普瓦捷大学）
本文综述了子空间基于的状态空间模型识别技术，重点讨论其作为最小二乘问题的 formulations，并关注开环和闭环条件下系统识别的回归方法。
2013-05-30 cs.SY eess.SY
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
Subspace identification of large-scale interconnected systems
Delft University of Technology（代尔夫特理工大学）
本文提出一种分布式子空间算法，用于识别由稀疏（多）带状状态空间矩阵描述的大规模互联系统。通过证明局部子系统的状态可由其邻域局部子系统的输入输出线性组合近似，并基于此开发了可行的子空间识别算法。
2014-02-14 cs.SY eess.SY
Nuclear Norm Subspace Identification (N2SID) for short data batches
Delft University（代尔夫特理工大学）；Linköping University（林雪平大学）
本文提出N2SID方法，结合核范数最小化与预测误差成本函数，利用系统结构知识实现子空间识别，通过数值模拟验证其在短数据批次下的优势。
2014-01-17 cs.SY eess.SY
Bayesian Subspace Identification in the MIMO Case
FEDERAL UNIVERSITY OF MINAS GERAIS（米纳斯吉拉斯联邦大学）
本文提出了一种适用于多输入多输出系统的贝叶斯子空间识别方法，并通过实验验证其有效性。
2025-12-30 cs.SY eess.SY stat.AP
Stable State Space SubSpace (S$^5$) Identification
针对现有状态空间子空间算法难以保证系统矩阵稳定性、计算成本高且难适配高维的问题，提出无需调参的闭式S$^5$算法，兼具低计算成本与高维扩展性，并证明了其一致性。
2024-08-16 cs.SY eess.SY
Fast Randomized Subspace System Identification for Large I/O Data
针对大规模输入输出数据下传统子空间辨识内存与计算开销高的问题，提出随机压缩数据集的快速子空间辨识算法，在内存、数据移动、运算量和时间上优于 N4SID、MOESP，并经理论与案例验证。
2023-12-11 cs.SY eess.SY
System Identification with Variance Minimization via Input Design
子空间方法是线性系统的主流系统辨识方法之一，其基本思想是将系统参数矩阵投影到与输入输出相关的子空间中进行估计。然而，现有的大多数子空间方法由于缺乏估计的封闭形式表达而无法保证统计性能。同时，传统的子空间方法不能处理噪声的不确定性，不能得到稳定的辨识结果。本文从输入设计的角度提出了一种新的改进子空间方法，该方法保证了辨识结果的一致性和稳定性，同时保证了辨识结果的方差最小。具体地说，我们首先得到一个封闭的形式估计的系统矩阵，然后分析的统计性能，通过推导出的最大识别偏差。这个辨识偏差最大化问题是非凸的，并通过将其分成两个子问题来解决，并保证最优解。其次，提出了一种输入设计方法，通过最小化方差来处理不确定性，获得稳定的辨识结果。这个问题被公式化为一个有约束的最小-最大优化问题。在保证安全约束的前提下，通过预测控制的方法将代价函数转化为凸函数，得到最优解。我们证明了所提出的方法的一致性和收敛性。仿真结果表明了该方法的有效性。
2022-02-02 cs.SY eess.SY
Output behavior equivalence and simultaneous subspace identification of systems and faults
该研究针对加性故障下的系统辨识与故障重构问题，无需标称数据和故障类别假设，利用PI-MOESP恢复输入输出子系统矩阵，提出输出行为等价概念及判定方法，可从数据估计最小维度故障信号对应的完整故障矩阵集。
2025-05-19 cs.SY eess.SY
Non-asymptotic Error Analysis of Subspace Identification for Deterministic Systems
针对离散时间MIMO LTI系统，本文基于单条有限长度输入输出轨迹，在两种统一SIM框架下推导系统矩阵及极点扰动误差的非渐近上界，证明状态输出维度比大时SIM对MIMO系统病态，并通过数值实验验证结果。
2025-08-21 cs.SY eess.SY
Finite Sample Analysis of Subspace Identification for Stochastic Systems
本文针对随机LTI系统的子空间辨识方法，推导了系统矩阵、卡尔曼增益和极点的有限样本高概率误差界，揭示了误差随样本轨迹数的衰减速率及样本复杂度对状态-输出维数比的依赖关系。
2025-07-02 cs.SY eess.SY
Data-driven invariant subspace identification for black-box switched linear systems
我们提出了一个算法框架的候选不变子空间切换线性系的识别。也就是说，该框架允许计算规范正交基，其中系统的矩阵接近块三角形矩阵，基于有限集观察到的一步轨迹，并具有先验的置信水平。不变子空间的存在与系统矩阵的共同块三角化之间的联系是众所周知的。在对系统的某些假设下，当矩阵接近块三角形时，也可以推断出存在一个不变子空间。我们的方法依赖于二次李雅普诺夫分析和最近的工具，在场景优化。我们提出了两个应用程序的共识和意见动态的问题，我们的研究结果，第一个允许识别断开的组件在切换隐藏的网络，而第二个确定的静态意见向量的切换八卦过程与对抗的相互作用。
2022-09-12 cs.SY eess.SY math.OC
Finite Sample Analysis for a Class of Subspace Identification Methods
本研究针对一类子空间辨识方法（SIMs）提供有限样本分析，通过选择绕过投影步骤的简约SIM并并行估计一组ARX模型，推导出Markov参数和系统矩阵的O(1/√N)收敛率及误差界限。
2024-04-26 cs.SY eess.SY
A recursive subspace based method for errors-in-variables model identification of time-varying systems
Indian Institute of Technology Madras（印度马德拉斯理工学院）
本文提出递归形式的SMI-IPCA（RSMI-IPCA），通过维护固定长度滞后窗口，能在线估计测量噪声方差、过程阶数并识别状态空间矩阵，适用于监测时变系统，仿真研究验证了该算法的有效性和适用性。
2026-07-21 cs.SY eess.SY
Damping Identification of an Operational Offshore Wind Turbine using Kalman filter-based Subspace Identification
运行模态分析（OMA）提供了对海上风力涡轮机（OWT）结构动力学的基本见解。在这些动力学中，阻尼被认为是一个特别重要的参数，因为它决定了固有频率下的响应幅度。由于转子旋转引起的谐波激励，违反了经典OMA算法的稳态白噪声激励要求，这给运行中的OWT的识别带来了困难。最近，提出了一种新的算法，该算法通过使用卡尔曼滤波器估计谐波子信号并从响应信号中正交地去除该信号来减轻谐波，之后使用随机子空间识别算法来识别系统。在本文中，该算法进行了测试，从多兆瓦的业务OWT使用一个经济的传感器设置与两个加速度计水平的现场数据。该算法可以区分前三阶塔架弯曲模态，并通过对多个数据集进行线性Q分解，进一步提高识别结果。与已建立的谐波抑制算法，修正的最小二乘复指数和PolyMAX，进行了比较，以验证结果。
2022-09-07 cs.SY eess.SP eess.SY
Closed-loop Data-Enabled Predictive Control and its equivalence with Closed-loop Subspace Predictive Control
本文提出闭环数据驱动预测控制框架CL-DeePC，利用工具变量合成一致预测器以克服闭环辨识偏差，并证明其与CL-SPC等价，仿真显示参考跟踪性能显著提升且对噪声敏感性降低48%。
2024-02-22 cs.SY eess.SY
Subspace Based Identification of Errors-in-Variables Linear Descriptor Systems
Indian Institute of Technology Madras（印度马德拉斯理工学院）
本文针对变量含误差框架下的线性描述符系统辨识问题，扩展SMI-IPCA方法至行为设定，无需先验变量分类与系统指数结构假设，可估计噪声方差等参数，经仿真验证方法有效。
2026-09-01 cs.SY eess.SY
Mapping prior information onto LMI eigenvalue-regions for discrete-time subspace identification
本文研究如何利用历史数据或阶跃响应实验提取的先验信息，通过LMI区域约束离散时间子空间模型的特征值，以提高模型动态特性并减少不确定性影响。
2019-04-11 cs.SY eess.SP eess.SY
Fast Subspace Identification Method Based on Containerised Cloud Workflow Processing System
子空间辨识（SID）由于其仅依赖于输入输出数据，通过奇异值分解（SVD）等可靠的数值运算就能估计系统模型，因而在系统辨识和控制领域得到了广泛的应用。然而，由于需要高维的Hankel矩阵来存储这些数据并用于获取系统模型，这增加了SID的计算量，使得SID不适合大规模或实时的辨识任务。本文提出了一种新的基于云工作流处理和容器技术的快速SID方法，以加速传统的算法。首先，根据各计算阶段的计算特点，设计了一种与分布式云环境相匹配的基于工作流的SID结构。其次，基于Kubernetes系统建立了一个容器化的云工作流处理系统，以执行逻辑和数据依赖的SID工作流任务。实验结果表明，对于大规模SID任务，该算法的计算时间最多可减少$91.6\%$，对于实时任务参数，该算法的计算时间可减少到20 ms以内。
2021-12-29 cs.DC cs.SY eess.SY
Subspace Identification of Temperature Dynamics
机电一体化系统和工业过程中温度动态的数据驱动建模和控制是具有挑战性的控制工程问题。这主要是因为温度动力学本质上是无限维的、非线性的、空间分布的，并且与其他物理过程耦合。此外，主要的时间常数通常很长，这意味着在实践中，由于各种经济和时间限制，我们只能收集相对少量的数据样本，可用于数据驱动的建模。最后，由于温度动态的感测和致动通常是空间离散的，因此需要特别注意传感器（致动器）的放置和可识别性问题。出于这些挑战的动机，在这篇手稿中，我们考虑了数据驱动的建模和验证温度动态的问题。我们已经开发了一个实验装置，包括一个长的铝棒，其温度动态的影响，由空间分布的热致动器，其温度是由空间分布的热电偶感测。我们解决了降噪问题，并进行阶跃响应和非线性分析。我们结合预测子空间辨识方法与时间序列分析方法辨识多输入多输出系统模型。我们提供了详细的治疗模型结构的选择，验证和残差分析问题在不同的建模和预测方案。我们广泛的实验结果表明，实验装置的温度动态可以相对准确地估计低阶模型。
2019-08-06 cs.SY eess.SY
Weighted Null Space Fitting (WNSF): A Link between The Prediction Error Method and Subspace Identification
KTH Royal Institute of Technology（瑞典皇家理工学院）；Lingnan University（岭南大学）
该研究提出加权零空间拟合（WNSF）方法估计状态空间模型，结合预测误差方法与子空间辨识方法优点，从高阶ARX模型最小二乘估计出发简化为规范状态空间模型，经统计分析其渐近有效，数值和实例表明性能优于SIMs。
2026-07-09 cs.SY eess.SY
Continuous-time Predictor-Based Subspace Identification with Hermite basis expansions
Politecnico di Milano（米兰理工大学）
本文提出一种直接识别连续时间状态空间形式的方法，利用Hermite基函数投影信号并递归应用导数运算符，避免时间移位，通过仿真验证了HD-PBSID方法的准确性。
2026-05-14 cs.SY eess.SP eess.SY
Online Identification and Tracking of Subspaces from Highly Incomplete Information
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
提出GROUSE算法，利用Grassmann流形上的增量梯度下降，从高度不完整观测中在线跟踪子空间，并可用于低秩矩阵补全。
2011-07-12 cs.IT cs.SY eess.SY
The asymptotic variance of the Hermite-Domain Predictor-Based Subspace Identification method
Politecnico di Milano（米兰理工大学）
本文推导了HD-PBSID方法渐近方差的解析表达式，提供系统特征值的不确定性界，并在理想Hermite域和含噪时域数据上验证了其准确性。
2026-10-06 cs.SY eess.SP eess.SY
Robust Subspace System Identification via Weighted Nuclear Norm Optimization
Division of Automatic Control, Department of Electrical Engineering, Link\"oping University, Sweden.
本文提出一种基于加权核范数优化的鲁棒子空间系统辨识方法，通过在拟合、秩和稀疏性之间进行权衡，有效处理异常值问题。
2013-12-07 cs.LG cs.SY eess.SY
Unifying Theorems for Subspace Identification and Dynamic Mode Decomposition
本文给出了自治动力系统子空间辨识（SID）和动态模式分解（DMD）的统一结果。我们观察到，SID寻求解决一个优化问题，以估计扩展的可观测性矩阵和状态序列，最大限度地减少状态空间模型的预测误差。此外，我们观察到DMD寻求解决秩约束矩阵回归问题，最大限度地减少扩展自回归模型的预测误差。我们证明了完美（无误差）状态空间和低秩扩展自回归模型的存在条件是等价的，SID和DMD优化问题是等价的。我们利用这些结果，提出了一个SID-DMD算法，提供了一个可证明的最优模型，易于实现。我们展示了我们的发展使用的案例研究，旨在直接从视频数据建立动态模型。
2020-03-16 cs.SY eess.SY math.OC
Non-asymptotic Closed-Loop System Identification using Autoregressive Processes and Hankel Model Reduction
系统辨识的主要挑战之一是确定需要多少数据才能充分拟合模型。系统辨识方法性能的非渐进特征提供了这一知识。这样的特征可用于执行开环识别的几种算法。然而，通常情况下，数据是在闭环中收集的。开环识别方法应用于闭环数据可能导致有偏估计。子空间识别技术用来消除这些偏差的一种方法是首先拟合一个长期自回归模型，然后进行模型简化。这类算法的渐近行为是很好的特点，但非渐近行为是不是。这项工作提供了一个非渐近特性的一个特定的变种，这些算法。更具体地说，我们提供了非渐近上界的泛化误差的模型，以及高概率界之间的差异产生的模型和有限时域卡尔曼滤波器。
2019-09-05 cs.SY eess.SY
Closed Loop Load Model Identification Using Small Disturbance Data
Zhejiang University（浙江大学）
本文研究了利用小扰动数据进行负荷模型识别的问题，证明了待识别的负荷与系统其余部分形成闭环系统，并分析了扰动对负荷输入输出关系的影响，指出负荷模型识别本质上是闭环识别，必须考虑闭环识别的影响，通过预测误差方法（PEM）解决闭环负荷模型识别问题。
2019-05-15 cs.SY eess.SY
Lifted Frequency-Domain Identification of Closed-Loop Multirate Systems: Applied to Dual-Stage Actuator Hard Disk Drives
本文提出一种仅用慢率输出测量、结合提升与局部建模的频域辨识方法，可在单次实验中准确辨识闭环多率系统，并在硬盘驱动器双级致动器基准上验证了有效性。
2025-04-09 cs.SY eess.SY
Closed-Loop Identification of Periodically Time-Varying Systems via Cyclic Reformulation
针对开环不稳定周期时变系统，提出基于循环闭环实现的代数提取定理，并构建闭环辨识算法，通过子空间辨识和坐标变换恢复系统参数。
2026-05-28 cs.SY eess.SY
Continuous-time identification of dynamic state-space models by deep subspace encoding
Eindhoven University of Technology（埃因霍温理工大学）；Institute for Computer Science and Control（计算机科学与控制研究所）
连续时间（CT）建模已被证明与离散时间（DT）模型相比在学习物理系统的动态行为方面提供改进的样本效率和可解释性。然而，即使有许多最新的发展，CT非线性状态空间（NL-SS）模型识别问题仍有待充分解决，考虑常见的实验方面，如外部输入，测量噪声，潜在的状态，和一般的鲁棒性的存在。本文提出了一种新的估计方法，解决了所有这些方面，可以获得国家的最先进的结果，多个基准紧凑的全连接神经网络捕捉CT动态。所提出的估计方法称为子空间编码器方法（SUBNET），通过评估数据的子部分上的短模拟来有效地近似完整的模拟损失，通过使用编码器函数来估计每个子部分的初始状态和新的状态导数归一化来确保训练过程的稳定性和良好的数值调节，从而获得这些结果。我们证明，使用的分段增加成本函数的平滑度与必要的要求，存在的编码器功能，我们表明，建议的状态导数归一化是必不可少的CT NL-SS模型的可靠估计。
2023-01-23 cs.LG cs.SY eess.SY
Identification of Additive Continuous-time Systems in Open and Closed loop
本文提出一种新颖的连续时间系统辨识方法，可为开环和闭环设置提供加性模型，估计量具有通用一致性且能辨识临界稳定系统，数值仿真和实验数据验证了其有效性。
2024-09-25 cs.SY eess.SY
Small Noise Analysis of Non-Parametric Closed-Loop Identification
本文重新审视频域非参数闭环辨识问题，在两次相同激励的独立实验下对直接法、间接法和联合输入输出法进行小噪声渐近分析，并揭示了估计器精度与回路整形间的关系。
2024-11-12 cs.SY eess.SY
Consistency analysis of refined instrumental variable methods for continuous-time system identification in closed-loop
本文针对闭环场景下连续时间系统辨识的SRIVC及CLSRIVC方法的一致性问题展开研究，证明连续时间控制器下二者不具备通用一致性、离散时间控制器下可实现通用一致性，并通过数值模拟验证了理论结果。
2024-04-13 cs.SY eess.SY
Bridging the Prediction Error Method and Subspace Identification: A Weighted Null Space Fitting Method
本文针对状态空间模型估计问题，提出加权零空间拟合（WNSF）方法，结合预测误差方法与子空间辨识方法的优势，经统计分析证明该方法在规范参数化可行时一致且渐近有效，解决了相关长期问题，数值和实例表明其性能优于子空间辨识方法。
2026-07-08 cs.SY eess.SY stat.ME
GREAT: Grassmannian REcursive Algorithm for Tracking & Online System Identification
本文提出GREAT算法，通过格拉斯曼流形上的递归优化，实现对时间变化子空间的在线跟踪与系统辨识，具有指数收敛率和不确定性量化保证。
2025-07-25 cs.SY eess.SY math.OC
Deep Subspace Encoders for Nonlinear System Identification
Eindhoven University of Technology（埃因霍温理工大学）；Institute for Computer Science and Control（计算机科学与控制研究所）
本文提出一种结合截断预测损失与神经网络子空间编码器的非线性系统辨识方法，以提升估计一致性、优化稳定性和数据效率，并通过理论分析与基准实验验证其有效性。
2023-07-05 cs.LG cs.SY eess.SY
Recursive Experiment Design for Closed-Loop Identification of ARMAX Systems with Output Perturbation Limits
Uppsala University（乌普萨拉大学）
本文提出一种递归实验设计方法，通过在固定输出反馈控制器生成的输入中加入有界探测信号，以在保持输出扰动限制内实现ARMAX模型的闭环识别。
2026-06-05 cs.SY eess.SY
Fast Sampling for System Identification: Overcoming Noise, Offsets, and Closed-Loop Challenges with State Variable Filter
本文提出利用状态变量滤波器结合快速采样进行系统辨识，证明估计误差方差随采样间隔线性减小，且对有色噪声和偏移鲁棒，有效解决了闭环MIMO系统辨识难题。
2025-06-04 cs.SY eess.SY
Subspace identification of low-dimensional Structural-Thermal-Optical-Performance (STOP) models of reflective optics
本文研究了利用子空间系统辨识技术估计反射光学系统瞬态结构-热-光性能（STOP）模型的可行性。作为一个测试案例，我们使用牛顿望远镜结构。这项工作的动机是需要开发基于模型的数据驱动技术，用于预测，估计和控制光学系统中的热效应和热诱导波前像差，如地面和空间望远镜，在恶劣环境中工作的光学仪器，光学光刻机，和高功率激光系统的光学部件。我们估计和验证一个瞬态STOP动态的状态空间模型。首先，我们在COMSOL Multiphysics中对系统进行建模。然后，我们使用LiveLink for MATLAB软件模块将波前像差数据从COMSOL导出到MATLAB。该数据用于测试Python中实现的子空间识别方法。STOP模型的建模和估计的主要挑战之一是它们本质上是高维的。STOP模型的大尺度性质源于光学、热学和结构现象与物理过程的耦合。我们的研究结果表明，所考虑的光学系统的高维STOP动力学可以准确地估计低维状态空间模型。由于它们的低维性质和状态空间形式，这些模型可以有效地用于预测，估计和控制热诱导波前像差。开发的MATLAB、COMSOL和Python代码可在线获得。
2022-08-03 astro-ph.IM cs.SY eess.SY
Stochastic Subspace Identification: Valid Model, Asymptotics and Model Error Bounds
本文提出一种基于LMI的方法确保随机子空间辨识在有限数据下返回有效模型，并推导了渐近分布与误差界。
2017-06-03 cs.SY eess.SY math.OC
Initialization Approach for Nonlinear State-Space Identification via the Subspace Encoder Approach
Eindhoven University of Technology（埃因霍温理工大学）；Institute for Computer Science and Control（计算机科学与控制研究所）
本文针对SUBNET非线性状态空间辨识，提出利用最佳线性近似（BLA）及其可重建性映射来初始化状态转移网络和编码器，实验证明该方法能加快收敛速度并提升模型质量。
2023-04-06 cs.LG cs.SY eess.SY
Adaptive Nonlinear Control with Online Identification and Receding-Horizon Optimization
该研究提出结合滚动时域iLQR等技术的自适应非线性最优控制方案，通过AMIGO框架分三阶段计算，经多种非线性系统验证，为复杂控制场景提供有效方法。
2026-09-09 cs.SY eess.SY
Neural Identification of Feedback-Stabilized Nonlinear Systems
本文提出了一种基于完整参数化的神经网络框架，用于稳定非线性系统的闭环识别，确保模型稳定性并提升识别精度。
2025-11-24 cs.SY eess.SY
Separating Controller Design from Closed-Loop Design: A New Perspective on System-Level Controller Synthesis
我们表明，给定一个期望的闭环系统的响应，存在一个仿射子空间的控制器，实现这个响应。通过利用该子空间的存在，我们能够通过首先合成期望的闭环响应，然后合成实现期望响应的控制器，来将控制器设计与闭环设计分离。这是一个有用的扩展，最近推出的系统级综合框架，其中的控制器和闭环响应联合合成，我们不能强制执行特定于制造商的约束，而不受相同的约束的闭环映射。我们证明了从闭环设计分离控制器设计的重要性，在一个例子中，通信延迟和局部约束导致标准SLS是不可行的。使用我们的新的两步程序，我们能够合成一个控制器，遵守的约束，而只会导致3%的最佳LQR控制器相比，LQR成本增加。
2020-06-09 cs.SY eess.SY
Stable Linear Subspace Identification: A Machine Learning Approach
Swiss Federal Laboratories for Materials Science and Technology (Empa)（瑞士联邦材料科学与技术研究所（Empa））；Swiss Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
本文提出基于机器学习自动微分框架的离散线性多步状态空间系统辨识方法SIMBa，通过基于线性矩阵不等式的Schur矩阵自由参数化确保模型稳定性，在多种系统与数据上表现优于传统方法且增益超25%，并已开源。
2024-03-26 cs.LG cs.SY eess.SY
Direct closed-loop identification of continuous-time systems using fixed-pole observer model
本文提出一种基于固定极点观测器模型的连续时间系统直接闭环辨识方法，可在无控制器和激励信号先验知识且数据含未知偏置条件下辨识不稳定系统，并将辨识问题转化为凸优化问题，兼具噪声鲁棒性和广泛适用性。
2025-06-04 cs.SY eess.SY
Some remarks on the bias distribution analysis of discrete-time identification algorithms based on pseudo-linear regressions
SATIE, Ecole normale supérieure Paris-Saclay（巴黎萨克雷高等师范学校 SATIE）
本文探讨了基于伪线性回归的闭环输出误差识别算法在频域中的偏差分布分析，指出其在高频下的优越性。
2018-06-18 cs.SY eess.SY
Closed-Loop Sensitivity Identification for Cross-Directional Systems
针对强方向性大规模横向系统难以在闭环下评估灵敏度的问题，本文提出逐模态参考激励与 SISO 解耦辨识方法，并给出抗噪幅值下界，可用于性能评估和故障检测。
2024-10-03 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
Frequency Domain Identification of Multirate Systems: A Lifted Local Polynomial Modeling Approach
多采样率系统的频域表示对于多采样率系统的控制器设计和性能评估以及采样控制都是必不可少的。本文的目的是在频域中开发一种多采样率系统的时间有效的闭环辨识方法。所开发的方法利用本地多项式建模的LPTV系统，这使得直接识别闭环多速率系统在一个单一的识别实验的提升表示。与LTI识别技术不同，所开发的方法不会因忽略LPTV动态而产生偏差。所开发的方法被证明在多速率的例子，从而在频域中的准确和快速的识别。
2022-08-31 cs.SY eess.SY
Nonparametric Finite Time LTI System Identification
MIT（麻省理工学院）
本文研究了从单个含噪输入输出时间序列中辨识稳定线性时不变（LTI）系统或线性动态系统（LDS）参数的问题，其中潜变量维度或阶数未知。通过构造类似于Hankel矩阵的矩阵，利用普通最小二乘法进行参数估计，避免了系统辨识中的非凸性问题，并提供了数据依赖的阶数选择方案，实现了准确的系统参数识别。
2020-04-08 cs.SY eess.SY
