基于子空间连续时间模型识别使用核范数小化.pdfVIP

第17届IFAC系统辨识研讨会预印本国际会议2015年10月

19‑21日，

基于子空间的连续时间模型识别使用核范数

最小化

∗∗∗∗

∗大学自动化系，230027合肥，（电子邮件：

yongwang@ustc.edu.cn）

：本文旨在寻找一种新的方法，在噪声污染的情况下实现基于子空间的连续时间模型识别。

首先提出了一种新型的连续时间模型的核范数方法。在构建优化问题时，解决了噪声约束与优

化变量之间的联系。最后，通过一个简单的数值模拟展示了所提方法的有效性。

：系统辨识，子空间方法，连续时间模型，优化问题，奇异值分解，核范数方法。

1.引言此外，基于子空间的连续时间模型辨识方法已在

Johansson等（1999）和Bastogne等（2001）的研究

系统辨识是控制理论中的一个重要部分，其中大部分基于中提出。本文试图为基于连续时间模型的子空间方法找到

系统的数学描述。其目标是处理两个重要问题（Ljung,一种新的实现方式。

1999）：

子空间方法对于离散时间（DT）和连续时间（CT）模型

•选择一个低阶的数学模型，该模型由有限的一组参数

的部分是找到与底层低阶系统的扩展可观测性子空间

表征。•从系统的实验输入和输出数据中估计这些参数。

等价的范围空间。这些范围空间通常通过奇异值分解

（SVD）技术确定。当噪声水平较低时，将较大的奇异

众所周知，几乎所有的系统都可以直接且精确地用连值归因于底层低阶系统可以给出可接受的估计结果。这一

续时间（CT）模型描述，模型中的参数通常具有意过程通过截断方法完成。不幸的是，通过移除对应较小奇

义（Garnier和Wang,2008）。然而，由于计算机或其异值的部分来截断矩阵也可能破坏一些内在特性。例如，

他数字设备的广泛应用，大多数研究集中在离散时间扩展可观测性矩阵中的移位结构可能会因截断而被破坏。

（DT）模型的辨识上。因此，为CT模型辨识开发的技术在高噪声水平下，这种方法将表现出较差的估计性能。这

被大量基于DT模型的工作所掩盖。但近年来，CT模型方

些影响将在第2.3节中讨论。基于工具变量的一些工作已

法重新受到关注，因为CT模型存在多种固有的优势

经完成，以处理受噪声污染的数据。这些工作利用了噪声

（Victor等,2013;Chen等,2015）。本文的工作基于

的统计特征。然而，本文考虑了一个不同的角度。我们试

图构

CT模型。这些优势总结如下（Garnier和Young,2014）：建一个噪声模型，而不是使用其统计特征来抵消噪声的影

响。本文方法受到Smith（2014）中核范数方法的

启发。虑噪声模型，可以期望获得一个精确的底层

•