Cuốn sách truy cập mở này cung cấp cách xử lý toàn diện về những phát triển gần đây trong nhận dạng dựa trên hạt nhân mà bất kỳ ai tham gia vào việc học các hệ thống động từ dữ liệu đều quan tâm. Người đọc được dẫn dắt từng bước để hiểu về một mô hình mới tận dụng sức mạnh của học máy mà không đánh mất các nguyên tắc lý thuyết hệ thống về nhận dạng hộp đen. Việc các tác giả trình bày lại vấn đề nhận dạng dưới ánh sáng của lý thuyết chính quy hóa không chỉ đưa ra cái nhìn sâu sắc mới về các câu hỏi cổ điển mà còn mở đường cho các thuật toán mới và mạnh mẽ cho nhiều vấn đề tuyến tính và phi tuyến. Các phương pháp hồi quy như mạng chính quy hóa và máy vectơ hỗ trợ là cơ sở của các kỹ thuật mở rộng bài toán ước lượng hàm sang ước lượng các mô hình động. Nhiều ví dụ, cũng từ các ứng dụng trong thế giới thực, minh họa những lợi thế so sánh của phương pháp phi tham số mới đối với các phương pháp dự đoán lỗi tham số cổ điển. Những thách thức mà nó giải quyết nằm ở sự giao thoa của một số nguyên tắc nên Nhận dạng hệ thống chính quy sẽ được nhiều nhà nghiên cứu và thực hành trong các lĩnh vực hệ thống điều khiển, học máy, thống kê và khoa học dữ liệu quan tâm.

Abstract:

This open access book provides a comprehensive treatment of recent developments in kernel-based identification that are of interest to anyone engaged in learning dynamic systems from data. The reader is led step by step into understanding of a novel paradigm that leverages the power of machine learning without losing sight of the system-theoretical principles of black-box identification. The authors’ reformulation of the identification problem in the light of regularization theory not only offers new insight on classical questions, but paves the way to new and powerful algorithms for a variety of linear and nonlinear problems. Regression methods such as regularization networks and support vector machines are the basis of techniques that extend the function-estimation problem to the estimation of dynamic models. Many examples, also from real-world applications, illustrate the comparative advantages of the new nonparametric approach with respect to classic parametric prediction error methods. The challenges it addresses lie at the intersection of several disciplines so Regularized System Identification will be of interest to a variety of researchers and practitioners in the areas of control systems, machine learning, statistics, and data science.

Ngôn ngữ:	En
Tác giả:	Gianluigi Pillonetto, Tianshi Chen, Alessandro Chiuso, Giuseppe De Nicolao
Thông tin nhan đề:	Regularized System Identification
Nhà xuất bản:	Springer Nature
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Kỹ thuật điều khiển - Tự động hóa
Bản quyền:	https://creativecommons.org/licenses/by/4.0/deed.en
Nguồn gốc:	https://library.oapen.org/handle/20.500.12657/56998
Mô tả vật lý:	394p.
Năm xuất bản:	2022