論文の概要: Identification and Adaptation with Binary-Valued Observations under
Non-Persistent Excitation Condition
- arxiv url: http://arxiv.org/abs/2107.03588v1
- Date: Thu, 8 Jul 2021 03:57:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:21:44.836821
- Title: Identification and Adaptation with Binary-Valued Observations under
Non-Persistent Excitation Condition
- Title（参考訳）: 非永続励起条件下での2値観測による同定と適応
- Authors: Lantian Zhang, Yanlong Zhao, Lei Guo
- Abstract要約: 2値観測による回帰モデルのパラメータ推定のためのオンライン予測準ニュートン型アルゴリズムを提案する。
推定アルゴリズムの強い整合性を確立し,収束率を与える。
適応予測器の収束と適応制御への応用についても論じる。
- 参考スコア（独自算出の注目度）: 1.6897716547971817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamical systems with binary-valued observations are widely used in
information industry, technology of biological pharmacy and other fields.
Though there have been much efforts devoted to the identification of such
systems, most of the previous investigations are based on first-order gradient
algorithm which usually has much slower convergence rate than the Quasi-Newton
algorithm. Moreover, persistence of excitation(PE) conditions are usually
required to guarantee consistent parameter estimates in the existing
literature, which are hard to be verified or guaranteed for feedback control
systems. In this paper, we propose an online projected Quasi-Newton type
algorithm for parameter estimation of stochastic regression models with
binary-valued observations and varying thresholds. By using both the stochastic
Lyapunov function and martingale estimation methods, we establish the strong
consistency of the estimation algorithm and provide the convergence rate, under
a signal condition which is considerably weaker than the traditional PE
condition and coincides with the weakest possible excitation known for the
classical least square algorithm of stochastic regression models. Convergence
of adaptive predictors and their applications in adaptive control are also
discussed.
- Abstract（参考訳）: 二値観察を持つ力学系は、情報産業、生物薬局の技術、その他の分野で広く利用されている。
このようなシステムの同定には多くの努力がなされてきたが、以前の調査のほとんどは、通常準ニュートンアルゴリズムよりも収束速度が遅い一階勾配アルゴリズムに基づいている。
さらに、フィードバック制御システムでは検証が難しいか保証が難しい既存の文献における一貫したパラメータ推定を保証するためには、励起(pe)条件の持続性が通常必要となる。
本稿では,2値の観測値と変動しきい値を持つ確率回帰モデルのパラメータ推定のためのオンライン予測準ニュートン型アルゴリズムを提案する。
確率的リアプノフ関数とマルティンゲール推定法の両方を用いることで、推定アルゴリズムの強い一貫性を確立し、従来のpe条件よりもかなり弱く、確率的回帰モデルの古典的最小二乗法で知られている最も弱い励起と一致する信号条件下で収束率を提供する。
適応予測器の収束と適応制御への応用についても述べる。
関連論文リスト
- PROMISE: Preconditioned Stochastic Optimization Methods by Incorporating Scalable Curvature Estimates [17.777466668123886]
PROMISE ($textbfPr$econditioned $textbfO$ptimization $textbfM$ethods by $textbfI$ncorporating $textbfS$calable Curvature $textbfE$stimates)はスケッチベースの事前条件勾配アルゴリズムである。
PROMISEには、SVRG、SAGA、およびKatyushaのプレコンディション版が含まれている。
論文 参考訳（メタデータ） (2023-09-05T07:49:10Z) - Approximate Message Passing for the Matrix Tensor Product Model [8.206394018475708]
本稿では,行列テンソル積モデルに対する近似メッセージパッシング(AMP)アルゴリズムの提案と解析を行う。
非可分関数に対する収束定理に基づいて、非可分関数に対する状態発展を証明する。
我々は、この状態進化結果を利用して、関心の信号の回復に必要な十分な条件を提供する。
論文 参考訳（メタデータ） (2023-06-27T16:03:56Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Stochastic Natural Thresholding Algorithms [18.131412357510158]
計算効率を向上したNatural Thresholding (NT) が提案されている。
本稿では,線形測度を用いて決定性版を拡張することにより,自然しきい値決定アルゴリズムの収束保証を提案する。
論文 参考訳（メタデータ） (2023-06-07T18:49:19Z) - Gaussian Processes with State-Dependent Noise for Stochastic Control [2.842794675894731]
力学系の残留モデル不確実性はガウス過程(GP)を用いて学習される
2つのGPは相互依存しており、反復アルゴリズムを用いて共同で学習される。
論文 参考訳（メタデータ） (2023-05-25T16:36:57Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - 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) - Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。
第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。
その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文 参考訳（メタデータ） (2021-10-19T14:24:50Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Statistical optimality and stability of tangent transform algorithms in
logit models [6.9827388859232045]
我々は,データ生成過程の条件として,ロジカルオプティマによって引き起こされるリスクに対して,非漸近上界を導出する。
特に,データ生成過程の仮定なしにアルゴリズムの局所的変動を確立する。
我々は,大域収束が得られる半直交設計を含む特別な場合について検討する。
論文 参考訳（メタデータ） (2020-10-25T05:15:13Z)
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。