کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4999689 1460630 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A new kernel-based approach to system identification with quantized output data
ترجمه فارسی عنوان
یک رویکرد مبتنی بر هسته مبتنی بر شناسایی سیستم با داده های خروجی کوانتومی
کلمات کلیدی
شناسایی سیستم، روشهای مبتنی بر هسته، داده های کوانتومی، انتظارات حداکثر، نمونه گیبس،
ترجمه چکیده
در این مقاله یک روش جدید برای شناسایی سیستم خطی با داده های خروجی کوانتومی معرفی شده است. ما پاسخ پالسی را به عنوان فرایند گاوسی صفر مورد مدل قرار می دهیم که کوواریانس (هسته) آن توسط هسته شلین پایه ای که اخیرا پیشنهاد شده ارائه می شود، کدگذاری اطلاعات مربوط به منظم بودن و ثبات نمایشی است. این به عنوان نقطه شروع برای رفع مشکل شناسایی سیستم به یک چارچوب بیزی است. ما روش مونت کارلو زنجیره مارکوف را برای ارزیابی سیستم استفاده می کنیم. به طور خاص، ما دو روش بر اساس نمونه گیبس را طراحی می کنیم که همچنین می تواند برآورد پارامترهای هسته را با به حداکثر رساندن احتمال احتمال حاشیه از طریق روش حداکثر سازی انتظار برساند. شبیه سازی عددی اثربخشی طرح پیشنهادی را نشان می دهد، در مقایسه با روش های مبتنی بر پیشرفته ترین هسته زمانی که در شناسایی سیستم با داده های کوانتومی استفاده می شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
یک رویکرد مبتنی بر هسته مبتنی بر شناسایی سیستم با داده های خروجی کوانتومی
چکیده انگلیسی
In this paper we introduce a novel method for linear system identification with quantized output data. We model the impulse response as a zero-mean Gaussian process whose covariance (kernel) is given by the recently proposed stable spline kernel, which encodes information on regularity and exponential stability. This serves as a starting point to cast our system identification problem into a Bayesian framework. We employ Markov Chain Monte Carlo methods to provide an estimate of the system. In particular, we design two methods based on the so-called Gibbs sampler that allow also to estimate the kernel hyperparameters by marginal likelihood maximization via the expectation-maximization method. Numerical simulations show the effectiveness of the proposed scheme, as compared to the state-of-the-art kernel-based methods when these are employed in system identification with quantized data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automatica - Volume 85, November 2017, Pages 145-152
نویسندگان
, , ,