論文の概要: Identification of Errors-in-Variables ARX Models Using Modified Dynamic Iterative PCA

• arxiv url: http://arxiv.org/abs/2011.14645v1
• Date: Mon, 30 Nov 2020 09:35:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:30:06.512941
• Title: Identification of Errors-in-Variables ARX Models Using Modified Dynamic Iterative PCA
• Title（参考訳）: 動的反復PCAによる誤り変数ARXモデルの同定
• Authors: Deepak Maurya, Arun K. Tangirala and Shankar Narasimhan
• Abstract要約: 本稿では,入力計測にもノイズが伴うような誤り不変(EIV)ARXモデル同定問題について考察する。 本稿では,動的反復主成分分析(DIPCA)に基づく新しい同定アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Identification of autoregressive models with exogenous input (ARX) is a classical problem in system identification. This article considers the errors-in-variables (EIV) ARX model identification problem, where input measurements are also corrupted with noise. The recently proposed DIPCA technique solves the EIV identification problem but is only applicable to white measurement errors. We propose a novel identification algorithm based on a modified Dynamic Iterative Principal Components Analysis (DIPCA) approach for identifying the EIV-ARX model for single-input, single-output (SISO) systems where the output measurements are corrupted with coloured noise consistent with the ARX model. Most of the existing methods assume important parameters like input-output orders, delay, or noise-variances to be known. This work's novelty lies in the joint estimation of error variances, process order, delay, and model parameters. The central idea used to obtain all these parameters in a theoretically rigorous manner is based on transforming the lagged measurements using the appropriate error covariance matrix, which is obtained using estimated error variances and model parameters. Simulation studies on two systems are presented to demonstrate the efficacy of the proposed algorithm.
• Abstract（参考訳）: 外因性入力(ARX)を持つ自己回帰モデルの同定は、システム同定における古典的な問題である。 本稿では,入力計測にもノイズが伴うような誤り不変(EIV)ARXモデル同定問題について考察する。 最近提案されたDIPCA技術は、EIV識別問題を解くが、白色測定誤差にのみ適用できる。 本稿では,siso(single-input, single-output)システムにおけるeiv-arxモデルとarxモデルに整合した色付きノイズが出力測定値の劣化を識別するために,修正された動的反復主成分分析(dipca)に基づく新しい同定アルゴリズムを提案する。 既存の手法の多くは、入力出力順序、遅延、ノイズ分散などの重要なパラメータを想定している。 この研究の斬新さは、エラーの分散、プロセスの順序、遅延、モデルパラメータを共同で推定することにある。 これらのパラメータを理論的に厳密な方法で得られる中心的アイデアは、推定誤差分散とモデルパラメータを用いて得られる適切な誤差共分散行列を用いて、ラベル付き測定を変換することに基づいている。 提案手法の有効性を示すために, 2つのシステムに関するシミュレーション研究を行った。

関連論文リスト

• VENI, VINDy, VICI: a variational reduced-order modeling framework with uncertainty quantification [4.804365706049767]
  我々は、低次モデル(ROM)を構築するためのデータ駆動型非侵入型フレームワークを提案する。 詳細は、縮小座標の分布を特定するための変分SINIで構成されている。 トレーニングされたオフラインで、特定されたモデルは、新しいパラメータインスタンスと、対応するフルタイムソリューションを計算するための新しい初期条件のためにクエリすることができる。
  論文  参考訳（メタデータ） (2024-05-31T15:16:48Z)
• Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
  適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。 各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。 以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-25T09:23:03Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• Hierarchical model reduction driven by machine learning for parametric advection-diffusion-reaction problems in the presence of noisy data [0.0]
  本稿では,雑音データの存在下でのパラメトリック楕円問題に対する信頼度低減モデルを生成するための新しい手法を提案する。 ノイズの影響を受ければ,方向方向のHiPODの精度が低下することを示す。 我々は、無関係なノイズからデータ中の関連する物理的特徴をよりよく識別する機械学習フィッティングモデルに取って代わる。
  論文  参考訳（メタデータ） (2022-04-01T16:02:05Z)
• PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic differential equations [2.741266294612776]
  我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。 PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。 提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
  論文  参考訳（メタデータ） (2022-03-21T21:51:19Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。