[论文解读] Identification of Nonlinear Block-Oriented Systems starting from Linear Approximations: A Survey.

Maarten Schoukens, Koen Tiels|arXiv (Cornell University)|Jul 5, 2016

Neural Networks and Applications被引用 11

一句话总结

本文综述了利用线性近似方法——特别是最佳线性近似和ε-近似框架——来初始化和引导非线性系统辨识的块状方法。它强调了这些线性框架如何实现模型结构选择、阶次确定以及提升非线性系统辨识的收敛性，为复杂的非线性建模任务提供了稳健的起点。

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.

研究动机与目标

• 提供一种关于可通过线性近似辨识的块状模型的全面概述。
• 考察线性近似框架在指导模型结构与阶次选择方面的作用。
• 评估线性近似在初始化和改进非线性系统辨识算法中的角色。
• 综述针对基于线性初始化的块状系统所开发的关键辨识算法。
• 突出线性近似框架在简化和增强非线性系统建模方面的优势。

提出的方法

• 利用最佳线性近似框架从输入-输出数据中提取系统特性。
• 采用ε-近似框架量化线性近似在捕捉系统行为方面的能力。
• 将线性近似作为非线性辨识算法的初始化工具。
• 回顾利用线性近似指导模型结构与阶次选择的辨识算法。
• 在基于线性近似的辨识背景下，比较不同块状模型结构（如Wiener、Hammerstein）的性能。
• 整合多种辨识方法的见解，以证明线性近似在非线性系统建模中的实用性。

实验结果

研究问题

• RQ1 线性近似如何用于初始化和改进非线性系统辨识？
• RQ2 哪些块状模型结构适合使用线性近似框架进行辨识？
• RQ3 从线性近似中可以提取哪些信息以指导模型结构与阶次选择？
• RQ4 最佳线性近似与ε-近似框架在支持非线性系统辨识方面的能力如何比较？
• RQ5 在非线性系统辨识中，将线性近似作为起点的关键优势是什么？

主要发现

• 线性近似框架为非线性系统辨识提供了可靠的起点，有助于提升算法收敛性。
• 最佳线性近似与ε-近似框架能够有效实现模型结构与阶次的选择。
• 这些框架能从输入-输出数据中提取有意义的系统特性，有助于模型构建。
• 基于线性近似初始化，Wiener与Hammerstein等块状模型可被有效辨识。
• 使用线性近似可降低非线性系统辨识的复杂度，缩小候选模型结构的范围。
• 本综述表明，线性近似是指导和增强非线性系统辨识过程的强大工具。