智能建模、优化、控制及其在工业中的应用专刊序言

人工智能自诞生以来,经历了从早期的专家系统、机器学习,到当前持续火热的深度学习等多次技术变革与规模化应用的浪潮。随着硬件算力、软件算法、解决方案的快速进步与不断成熟,工业生产逐渐成为了人工智能的重点探索方向,人工智能与工业场景的融合释放出巨大潜力。当前,新一轮科技革命和产业变革蓬勃兴起,工业经济数字化、网络化、智能化发展成为第四次工业革命的核心内容。

动力系统可辨识性研究综述

“可辨识性”是模型能否由观测数据唯一确定的性质,在经济学、生物学、化学、控制科学等多学科中被系统性地研究.近二十年来,随着动力系统复杂性急剧增加,将系统建模为动力学网络的研究愈加普遍,网络可辨识性也越来越受到学界关注.“可辨识性”不仅是系统辨识的理论保证,而且可以作为建模中实验设计、数据采集等的理论指导.本文综述动力系统的可辨识性问题,首先,给出了可辨识性问题的描述及相关定义.根据模型不同类别,本文对线性时不变系统与系统矩阵相关的可辨识性经典结论进行了阐述,并对非线性时不变系统的输入输出方法、输出相等方法等可辨识性主要研究方法进行阐述.针对激励矩阵和观测矩阵的4种不同情况,本文对动力学网络模型的可辨识性问题和代表性成果进行综述.最后,本文讨论了其仍需解决的问题和未来的研究方向.

基于采样稀疏学习的非线性动力系统辨识

现有系统辨识方法常将非线性动力系统辨识问题转化为稀疏回归问题。针对现有方法应对噪声与小样本能力不足的问题,提出了一种基于采样稀疏学习的非线性动力系统辨识方法。首先,在复杂辨识问题被描述为稀疏回归问题的基础上,引入指示变量对稀疏结构进行编码;然后,基于嵌有Metropolis-Hastings算法的Gibbs采样器对稀疏结构进行学习;最后,通过简单的线性回归获得动力学方程的各项系数。实验结果表明,相较于LASSO算法,采样稀疏学习算法在较高的噪声水平下仍然保持较好的性能。此外,该算法无须进行阈值设定或正则化参数调整,具有更高的灵活性与鲁棒性。