کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
10326411 | 678070 | 2016 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Ultra-Orthogonal Forward Regression Algorithms for the Identification of Non-Linear Dynamic Systems
ترجمه فارسی عنوان
الگوریتم های رگرسیون پیشین برای شناسایی سیستم های پویا غیر خطی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
رگرسیون رو به جلو، شناسایی سیستم، فوق العاده حداقل مربعات، رگرسیون پیشرفته فوق العاده ارگانگنال، مربعات کمترین حد ارتعاشی،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
A new ultra-least squares (ULS) criterion is introduced for system identification. Unlike the standard least squares criterion which is based on the Euclidean norm of the residuals, the new ULS criterion is derived from the Sobolev space norm. The new criterion measures not only the discrepancy between the observed signals and the model prediction but also the discrepancy between the associated weak derivatives of the observed and the model signals. The new ULS criterion possesses a clear physical interpretation and is easy to implement. Based on this, a new Ultra-Orthogonal Forward Regression (UOFR) algorithm is introduced for nonlinear system identification, which includes converting a least squares regression problem into the associated ultra-least squares problem and solving the ultra-least squares problem using the orthogonal forward regression method. Numerical simulations show that the new UOFR algorithm can significantly improve the performance of the classic OFR algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 173, Part 3, 15 January 2016, Pages 715-723
Journal: Neurocomputing - Volume 173, Part 3, 15 January 2016, Pages 715-723
نویسندگان
Yuzhu Guo, L.Z. Guo, S.A. Billings, Hua-Liang Wei,