Estimation and optimal input design in sparse models
Tid: To 2023-09-28 kl 15.15
Plats: D3, Lindstedtsvägen 5, Stockholm
Videolänk: https://kth-se.zoom.us/j/68048958994
Språk: Engelska
Ämnesområde: Elektro- och systemteknik
Licentiand: Javad Parsa , Reglerteknik
Granskare: Associate Professor Kim Batselier, Delft University of Technology, Netherlands
Huvudhandledare: Professor Håkan Hjalmarsson, Reglerteknik
QC 20230911
Abstract
Gles parameterestimering är viktigt inom systemidentifiering eftersom vissa modeller har naturligt förekommande gleshet i dess parametrar, men även för att det kan låta en minska ordningen av icke-glesa modeller. Noggrannheten av en skattad gles modell beror direkt på prestandan av de glesa estimeringsmetoderna. Det ¨ar välkänt att noggrannheten av en gles estimeringsmetod beror på korrelationer mellan regressorerna av den skattade modellen. Ömsesidig koherens (eng: mutual coherence) representerar maximum av dessa korrelationer. Noggrann estimering kräver låg ömsesidig koherens i de fallen då det är känt att parametervektorn är gles. En stor utmaning inom systemidentifiering orsakas av att, när en regressor konstrueras av tidsserie-data, så leder detta ofta till hög ömsesidig koherens. Denna konflikt hindrar noggrann gles estimering. För att åtgärda detta problem så introducerar avhandlingens första del nya metoder som minskar den ömsesidiga koherensen genom linjära koordinattransformationer. Dessa metoder är möjliga att kombinera med godtyckliga glesa estimeringsmetoder. Våra numeriska studier visar märkvärdig förbättring av prestanda jämfört med de bästa tillgängliga algoritmerna för gles parameterestimering. I avhandlingens andra del så ändrar vi vårt fokus till design utav optimala insignaler i systemidentifiering, där målet är att uppnå maximal noggrannhet i en modell, baserat på specifika kriterier. De ursprungliga metoderna för design av insignaler saknar bivillkor för ömsesidig koherens mellan insignalssekvenserna, vilket ofta resulterar i hög ömsesidig koherens och därmed också högre estimeringsfel för glesa modeller. Det är därför avhandlingens andra del fokuserar på att designa optimala insignaler för glesa modeller. Vi formulerar de föreslagna metoderna och erbjuder numeriska algoritmer som använder sig utav alternerande minimering. Vi jämför dessutom prestandan av vår metod med de bästa tillgängliga metoderna för design av insignaler, och vi presenterar även teoretisk analys av de föreslagna metoderna i avhandlingens båda delar.