Cuốn sách truy cập mở này cung cấp một cách tiếp cận toàn diện về những phát triển gần đây trong lĩnh vực nhận dạng dựa trên hạt nhân, rất hữu ích cho bất kỳ ai đang tìm hiểu về các hệ thống động từ dữ liệu. Người đọc sẽ được dẫn dắt từng bước để hiểu một mô hình mới, tận dụng sức mạnh của học máy mà không làm mất đi các nguyên tắc lý thuyết hệ thống của nhận dạng hộp đen. Việc các tác giả tái cấu trúc bài toán nhận dạng dưới góc nhìn của lý thuyết chính quy hóa không chỉ mang đến những hiểu biết mới về các vấn đề kinh điển mà còn mở đường cho các thuật toán mới và mạnh mẽ cho nhiều bài toán tuyến tính và phi tuyến tính. 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 thực tế, minh họa những lợi thế so sánh của phương pháp tiếp cận phi tham số mới so với các phương pháp sai số dự đoán tham số cổ điển. Những thách thức mà nó giải quyết nằm ở giao điểm của nhiều ngành, vì vậy cuốn sách Nhận dạng Hệ thống Chính quy hóa sẽ được nhiều nhà nghiên cứu và chuyên gia trong các lĩnh vực hệ thống điều khiển, học máy, thống kê và khoa học dữ liệu quan tâm. Đây là một cuốn sách truy cập mở.

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. This is an open access book.

Ngôn ngữ:	eng
Tác giả:	Pillonetto, Gianluigi, Chiuso, Alessandro, Chen, Tianshi
Thông tin nhan đề:	Regularized System Identification: Learning Dynamic Models from Data
Nhà xuất bản:	Springer Nature
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Điện tử - Viễn thông
Bản quyền:	http://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://library.oapen.org/handle/20.500.12657/56998
Mô tả vật lý:	377p.
Năm xuất bản:	2022