دانلود ترجمه مقاله شناسایی سیستم غیر خطی بازگشتی با متغیرهای پنهان

1. مقدمه 2. فرمول بندی مسئله 3. چارچوب متغیر پنهان 4. رویکرد بیشینه سازی – کمینه سازی 5. آزمایشات عددی 6. نتیجه گیری

چکیده – در این مقاله روشی را برای یادگیری مدلهای سیستم غیرخطی با چندین خروجی و ورودی ارائه می دهیم. بنابراین با مدل سازی خطاهای یک پیش بینی کننده اسمی سیستم با استفاده از یک چارچوب متغیر پنهان کار را آغاز می کنیم. سپس با استفاده از اصل حداکثر احتمال، معیاری را برای یادگیری مدل بدست می آوریم. مسئله بهینه سازی حاصل با استفاده از یک رویکرد بیشینه سازی- کمینه سازی حل و فصل می شود. در نهایت، یک تکنیک بیشینه سازی محدب را توسعه داده و نشان می دهیم که روش شناسایی بازگشتی امکان پذیر می شود. این روش مدل های پیش بینی کننده نسبی را آموخته و در هر دو سیستم غیر خطی مصنوعی و واقعی مورد آزمایش قرار می گیرد. مقدمه: در این مقاله مسئله یادگیری یک مدل سیستم دینامیکی غیر خطی با چندین خروجی y(t) و چندین ورودی u(t) (در صورت وجود) را در نظر می گیریم. به طور کلی با استفاده از ساختارهای مختلف مدل ، با گروهی از مدلهای خطی که در مهندسی ، آمار و اقتصاد سنجی به خوبی مورد مطالعه قرار گرفته است، مسئله شناسایی حل و فصل می شود (باربر، 2012؛ بیشاپ، 2006 ؛ باکس ،جنکینز ، رینزل ولینگ، 2015 ؛ لیونگ ،1998؛ استویکا ، 1988). مدلهای خطی غالباً حتی در صورت غیر خطی بودن سیستم نیز استفاده می شوند (اینکوییست ، 2005 ؛ شوكنس ، وائس و پینتلون 2016). اما همواره نمی توان غیرخطی بودن های خاص نظیر اشباع را نادیده گرفت. در چنین مواردی استفاده از مدلهای بلوک گرا، روش محبوبی برای دستیابی به غیرخطی های ثابت است (گیری و بایی 2010). اخیراً، چنین مدلهایی تحت فرمولهای نیمه متقارن قرار گرفته و با استفاده از روشهای یادگیری ماشین شناسایی می شوند (پیلونتو ، دینوزو ،چن ، دی نیکولائو و لیونگ 2014). برای مدل سازی دینامیکی غیرخطی، یک رویکرد معمول، استفاده از مدل های NAR-MAX است (بیلینگز ، 2013 ؛شوبرگ و همکاران ، 1995).

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. Introduction: In this paper we consider the problem of learning a nonlinear dynamical system model with multiple outputs y(t) and multiple inputs u(t) (when they exist). Generally this identification problem can be tackled using different model structures, with the class of linear models being arguably the most well studied in engineering, statistics and econometrics Barber (2012), Bishop (2006), Box et al. (2015), Ljung (1998), Söderström and Stoica (1988). Linear models are often used even when the system is known to be nonlinear Enqvist (2005), Schoukens et al. (2016). However certain nonlinearities, such as saturations, cannot always be neglected. In such cases using block-oriented models is a popular approach to capture static nonlinearities (Giri & Bai, 2010). Recently, such models have been given semiparametric formulations and identified using machine learning methods, cf. Pillonetto (2013) and Pillonetto, Dinuzzo, Chen, De Nicolao, and Ljung (2014). To model nonlinear dynamics a common approach is to use Narmax models Billings (2013), Sjöberg et al. (1995).

این مقاله می تواند برای درس شناسایی سیستم گرایش کنترل مناسب باشد. ترجمه این مقاله در 25 صفحه آماده شده و در ادامه نیز صفحه 15 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.