کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7109056 1460626 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Global optimization for low-dimensional switching linear regression and bounded-error estimation
ترجمه فارسی عنوان
بهینه سازی جهانی برای رگرسیون خطی سوئیچ کم و تخمین خطای محدود
کلمات کلیدی
شناسایی سیستم، سیستم های سوئیچ، برآورد پایدار، بهینه سازی جهانی،
ترجمه چکیده
این مقاله الگوریتم های بهینه سازی جهانی را برای دو مسئله بسیار غیر مشکوک که به وسیله شناسایی سیستم ترکیبی مطرح می شوند، فراهم می کند: تغییر رگرسیون خطی و تخمین خطای محدود. در حالی که اکثر آثار بر روی اکتشافات بهینه سازی محلی با ضمانت جهانی مطلوب یا با تضمین های معتبر تنها در شرایط محدود، تمرکز می کنند، رویکرد پیشنهادی همیشه یک راه حل را با گواهی مطلوبیت جهانی به دست می دهد. این رویکرد متکی بر استراتژی شاخه ای و محدود است که برای آن ما مرزهای پایین تر را می توانیم محاسبه کنیم. برای به دست آوردن الگوریتم های قابل مقیاس با توجه به تعداد داده ها، ما به طور مستقیم پارامترهای مدل را در یک تنظیم بهینه سازی مستمر بدون متغیرهای عدد صحیح بهینه سازی می کنیم. آزمایش های عددی نشان می دهد که الگوریتم های پیشنهادی دقت بیشتری نسبت به آرامش محدب را با یک بار محاسباتی منطقی برای شناسایی سیستم هیبریدی ارائه می دهند. علاوه بر این، ما در مورد چگونگی برآورد خطای محدود با برآورد قوی در حضور پراکنده ها و بهبود دقیق سر و صدای کوچک، بحث خواهیم کرد، که ما همچنین نتایج عددی امیدوار کننده را دریافت می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی کنترل و سیستم های مهندسی
پیش نمایش مقاله
بهینه سازی جهانی برای رگرسیون خطی سوئیچ کم و تخمین خطای محدود
چکیده انگلیسی
The paper provides global optimization algorithms for two particularly difficult nonconvex problems raised by hybrid system identification: switching linear regression and bounded-error estimation. While most works focus on local optimization heuristics without global optimality guarantees or with guarantees valid only under restrictive conditions, the proposed approach always yields a solution with a certificate of global optimality. This approach relies on a branch-and-bound strategy for which we devise lower bounds that can be efficiently computed. In order to obtain scalable algorithms with respect to the number of data, we directly optimize the model parameters in a continuous optimization setting without involving integer variables. Numerical experiments show that the proposed algorithms offer a higher accuracy than convex relaxations with a reasonable computational burden for hybrid system identification. In addition, we discuss how bounded-error estimation is related to robust estimation in the presence of outliers and exact recovery under sparse noise, for which we also obtain promising numerical results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automatica - Volume 89, March 2018, Pages 73-82
نویسندگان
,