[논문 리뷰] Identification of Nonlinear Block-Oriented Systems starting from Linear Approximations: A Survey.

Maarten Schoukens, Koen Tiels|arXiv (Cornell University)|2016. 07. 05.

Neural Networks and Applications인용 수 11

한 줄 요약

이 논문은 비선형 시스템 식별을 위한 블록 기반 방법을 조사하며, 선형 근사화 기반 접근 방식—특히 최적의 선형 근사화 및 ε-근사화 프레임워크—를 사용하여 식별 과정을 초기화하고 이끌어내는 방법을 다룬다. 이러한 선형 프레임워크가 비선형 시스템 식별에서 모델 구조 선택, 차수 결정, 수렴성 향상에 어떻게 기여하는지 강조하며, 복잡한 비선형 모델링 작업에 대해 강력한 초기 기반을 제공한다.

ABSTRACT

Block-oriented models are popular in nonlinear modeling because of their advantages to be quite simple to understand and easy to use. Many different identification approaches were developed over the years to estimate the parameters of a wide range of block-oriented models. One class of these approaches uses linear approximations to initialize the identification algorithm. The best linear approximation framework and the $\epsilon$-approximation framework, or equivalent frameworks, allow the user to extract important information about the system, guide the user in selecting good candidate model structures and orders, and they prove to be a good starting point for nonlinear system identification algorithms. This paper gives an overview of the different block-oriented models that can be modeled using linear approximations, and of the identification algorithms that have been developed in the past. A non-exhaustive overview of the most important other block-oriented system identification approaches is also provided throughout this paper.

연구 동기 및 목표

• 선형 근사화를 통해 식별 가능한 블록 기반 모델에 대한 종합적인 개요를 제공하는 것.
• 선형 근사화 프레임워크가 모델 구조 및 차수 선택을 어떻게 이끌어내는지 분석하는 것.
• 선형 근사화가 비선형 시스템 식별 알고리즘의 초기화 및 향상에 어떻게 기여하는지 평가하는 것.
• 선형 초기화를 활용해 개발된 블록 기반 시스템을 위한 핵심 식별 알고리즘을 서베이하는 것.
• 선형 근사화 프레임워크가 비선형 시스템 모델링을 단순화하고 향상시키는 데서 나타나는 이점들을 부각하는 것.

제안 방법

• 입력-출력 데이터로부터 시스템 특성을 추출하기 위해 최적의 선형 근사화 프레임워크를 활용한다.
• 선형 근사화의 정확도를 시스템 행동을 포괄하는 데서 측정하기 위해 ε-근사화 프레임워크를 적용한다.
• 비선형 식별 알고리즘의 초기화 도구로 선형 근사화를 적용한다.
• 모델 구조 및 차수 선택을 이끌기 위해 선형 근사화를 활용하는 식별 알고리즘을 검토한다.
• 선형 근사화 기반 식별의 맥락에서 다양한 블록 기반 모델 구조(예: Wiener, Hammerstein)를 비교한다.
• 다양한 식별 접근 방식의 통찰을 통합하여 선형 근사화가 비선형 시스템 모델링에 어떻게 유용한지 보여준다.

실험 결과

연구 질문

• RQ1 선형 근사화는 비선형 시스템 식별을 초기화하고 향상시키는 데 어떻게 활용될 수 있는가?
• RQ2 어떤 블록 기반 모델 구조가 선형 근사화 프레임워크를 사용한 식별에 적합한가?
• RQ3 선형 근사화에서 추출할 수 있는 정보는 모델 구조 및 차수 선택을 어떻게 이끌 수 있는가?
• RQ4 최적의 선형 근사화와 ε-근사화 프레임워크는 비선형 시스템 식별을 지원하는 데서 어떤 차이를 보이는가?
• RQ5 비선형 시스템 식별의 초기 기반으로서 선형 근사화를 사용할 때의 주요 이점은 무엇인가?

주요 결과

• 선형 근사화 프레임워크는 비선형 시스템 식별에 신뢰할 수 있는 초기 기반을 제공하며, 알고리즘 수렴성을 향상시킨다.
• 최적의 선형 근사화 및 ε-근사화 프레임워크는 효과적인 모델 구조 및 차수 선택을 가능하게 한다.
• 이 프레임워크들은 입력-출력 데이터로부터 의미 있는 시스템 특성을 추출하여 모델 개발에 기여한다.
• Wiener 및 Hammerstein 시스템과 같은 블록 기반 모델은 선형 근사화 기반 초기화를 통해 효과적으로 식별될 수 있다.
• 선형 근사화의 사용은 후보 모델 구조를 좁혀내어 비선형 시스템 식별의 복잡성을 감소시킨다.
• 이 서베이는 선형 근사화가 비선형 시스템 식별 과정을 이끌고 향상시키는 데 강력한 도구임을 입증한다.