کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7108673 1460622 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Recursive nonlinear-system identification using latent variables
ترجمه فارسی عنوان
شناسایی غیر خطی بازگشتی با استفاده از متغیرهای پنهان
کلمات کلیدی
سیستم های غیر خطی، سیستم های چند ورودی / چند خروجی، شناسایی سیستم،
ترجمه چکیده
در این مقاله یک روش برای یادگیری مدل های غیر خطی سیستم با خروجی ها و ورودی های چندگانه ایجاد می کنیم. ما با مدل سازی خطاهای پیش بینی کننده اسمی سیستم با استفاده از یک چارچوب متغیر پنهان شروع می کنیم. سپس با استفاده از اصل حداکثر احتمال، یک معیار برای یادگیری مدل ارائه می شود. مشکل بهینه سازی به دست آمده با استفاده از رویکرد بهینه سازی بزرگ سازی مقابله می شود. در نهایت ما یک تکنیک بزرگنمایی محدب را ایجاد می کنیم و نشان می دهیم که روش شناسایی بازگشتی را امکان پذیر می سازد. این روش مدل های پیش بینی کننده ای را به دست می دهد و بر روی هر دو سیستم غیر خطی مصنوعی و واقعی آزمایش می شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
شناسایی غیر خطی بازگشتی با استفاده از متغیرهای پنهان
چکیده انگلیسی
In this paper we develop a method for learning nonlinear system models with multiple outputs and inputs. We begin by modeling the errors of a nominal predictor of the system using a latent variable framework. Then using the maximum likelihood principle we derive a criterion for learning the model. The resulting optimization problem is tackled using a majorization-minimization approach. Finally, we develop a convex majorization technique and show that it enables a recursive identification method. The method learns parsimonious predictive models and is tested on both synthetic and real nonlinear systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automatica - Volume 93, July 2018, Pages 343-351
نویسندگان
, , ,