[論文レビュー] Model Reduction using a Frequency-Limited H2-Cost

Daniel Petersson, Johan Löfberg|arXiv (Cornell University)|Dec 7, 2012

Model Reduction and Neural Networks参考文献 2被引用数 8

ひとこと要約

本稿では、指定された周波数帯域に制限されたコスト関数を最小化する非線形最適化を用いた周波数制限付きℋ₂最適モデル低次元化手法を提案する。入力/出力フィルタ重みを必要とせず、計算的に効率的な閉形式の勾配導出により、市販の最適化ソルバを効果的に活用可能であり、構造的制約を満たす安定な低次元モデルを保証する。

ABSTRACT

We propose a method for model reduction on a given frequency range, without the use of input and output filter weights. The method uses a nonlinear optimization approach to minimize a frequency limited H2 like cost function. An important contribution in the paper is the derivation of the gradient of the proposed cost function. The fact that we have a closed form expression for the gradient and that considerations have been taken to make the gradient computationally efficient to compute enables us to efficiently use off-the-shelf optimization software to solve the optimization problem.

研究の動機と目的

• 既存の周波数重み付きモデル低次元化手法が入力・出力フィルタ重みを必要としているという限界を解消すること。
• 特に帯域制限された周波数範囲でのみ有効なモデルに対して、特定の周波数帯域内で最適となる低次元化手法を開発すること。
• [2] に示される周波数制限付き平衡化削減法で一般的に見られる不安定性の問題を、最適化に基づく精錬により克服すること。
• 制約付き最適化を用いて、低次元モデルに構造的制約（例：上三角行列をとるA行列）を適用可能にすること。
• 非凸な周波数制限付きℋ₂問題に対して、標準的な最適化ソフトウェアを活用できる計算的に効率的なフレームワークを提供すること。

提案手法

• 周波数帯域 [−ω, ω] に制限されたグリーン関数に基づく、[2] で示された周波数制限付き可観測性および可制御性グリーン関数を用いて、周波数制限付きℋ₂に類似したコスト関数を定式化する。
• コスト関数を、周波数帯域に制限された誤差システムのℋ₂ノルムとして定義し、周波数制限付きグリーン関数から導出する。
• 低次元化されたシステム行列（Ar, Br, Cr, Dr）に関するコスト関数の勾配に対して、閉形式の解析的表現を導出する。これにより、最適化の効率が向上する。
• 市販のソルバを用いて周波数制限付きℋ₂コストを最小化する非線形最適化フレームワークを実装し、勾配の利用により高速収束を実現する。
• 低次元モデルに構造的制約（例：スパarsity、スパarsityパターン、上三角行列をとるA行列）を組み込むために、最適化問題にそれらを組み込む。
• 2段階アプローチを採用する：まず標準的なモデル低次元化手法（例：平衡化またはハンケル）で初期化し、その後、提案された最適化によりターゲット周波数帯域での精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 入力・出力フィルタ重みに依存せずに、周波数制限付きℋ₂最適モデル低次元化を達成できるか？
• RQ2 従来の平衡化手法とは異なり、周波数制限付きℋ₂設定においても安定な低次元モデルを保証できるか？
• RQ3 実用的な最適化ベースの低次元化を可能にするために、周波数制限付きℋ₂コストの効率的で閉形式の勾配を導出できるか？
• RQ4 周波数ドメインの精度を維持しつつ、低次元モデルにどの程度の構造的制約を適用できるか？
• RQ5 提案手法の性能は、既存の周波数制限付きおよび標準的なモデル低次元化手法と比較して、ターゲット周波数帯域における安定性と精度の面でどのように異なるか？

主な発見

• 提案手法は、すべてのテスト例において[2]の手法と同等以上に高い精度を達成するとともに、低次元モデルの安定性を保証している。
• 例1（10状態系）では、周波数制限付きℋ₂誤差を0.0012まで低減し、[2]の手法を上回り、ガウロウスキの手法と同等の性能を達成した。
• 例2（12状態系）では、ターゲット帯域 [1.5, 3.2] rad/s において相対誤差0.0035を達成し、フィルタドモデルに対するハンケル法を含むすべての手法を上回った。
• 例3（22状態の航空機モデル）では、周波数制限付きℋ₂誤差が0.0041の最も正確な安定な低次元モデル（15状態）を生成した。ガウロウスキの手法は誤差が低かった（0.0029）が、不安定なモデルを生成した。
• 小規模モデルでは1秒未塔で収束し、22状態の航空機モデルでも約20秒で収束した。これは、実用的な計算効率を示している。
• 標準的なモデル低次元化手法（例：ハンケル）を初期化に用いることで収束性と最終的な精度が著しく向上した。これは、2段階の精錬戦略の有効性を裏付けている。