Hybrid System Identification: Theory and Algorithms for Learning Switching Models

​شناسایی سیستم ترکیبی به خوانندگان کمک می‌کند تا مدل‌های ریاضی سیستم‌های دینامیکی را که بین حالت‌های عملیاتی مختلف سوئیچ می‌کنند، از مشاهدات تجربی خود بسازند. این یک نمای کلی از تعامل بین شناسایی سیستم، یادگیری ماشین و زمینه های تشخیص الگو در توضیح و تجزیه و تحلیل شناسایی سیستم ترکیبی ارائه می دهد. بر مسائل بهینه‌سازی و پیچیدگی محاسباتی که در هسته مشکلات در نظر گرفته شده است تأکید می‌کند و آنها را از مشکلات شناسایی سیستم استاندارد کنار می‌گذارد. این کتاب روش‌های عملی را ارائه می‌کند که از این پیچیدگی بهره می‌برند، و همچنین دیدگاه گسترده‌ای از روش‌های پیشرفته یادگیری ماشینی را ارائه می‌دهد.
نویسندگان نکات فنی کلیدی را با استفاده از مثال‌ها و شکل‌ها برای کمک به خواننده در درک مطلب توضیح می‌دهند. این کتاب شامل یک بحث عمیق و تجزیه و تحلیل محاسباتی مشکلات شناسایی سیستم هیبریدی است که از سؤالات اساسی تعریف سیستم های ترکیبی و شناسایی سیستم به روش های شناسایی سیستم هیبریدی و تخمین مدل های خطی/آفین و تکه ای سوئیچ شده می پردازد. نویسندگان همچنین مروری بر کاربردهای مختلف سیستم‌های ترکیبی ارائه می‌دهند، در مورد اتصالات به زمینه‌های دیگر بحث می‌کنند، و مطالب پیشرفته‌تری را در مورد شناسایی سیستم‌های ترکیبی بازگشتی، فضای حالت و غیرخطی توصیف می‌کنند.
شناسایی سیستم ترکیبی شامل شرح مفصلی از روش‌های اصلی است که به محققان و متخصصان اجازه می‌دهد به سرعت با ابزارهای پیشرفته آشنا شوند. این کتاب همچنین پایه ای مناسب برای دانشجویان فارغ التحصیل و کارشناسی است که این حوزه کنترل را مطالعه می کنند، زیرا ارائه و شکل کتاب زمینه و پوشش لازم برای درک کامل شناسایی سیستم ترکیبی را فراهم می کند، خواه خواننده در ابتدا با شناسایی سیستم آشنا باشد. مربوط به سیستم های هیبریدی است یا نه.

​Hybrid System Identification helps readers to build mathematical models of dynamical systems switching between different operating modes, from their experimental observations. It provides an overview of the interaction between system identification, machine learning and pattern recognition fields in explaining and analysing hybrid system identification. It emphasises the optimization and computational complexity issues that lie at the core of the problems considered and sets them aside from standard system identification problems. The book presents practical methods that leverage this complexity, as well as a broad view of state-of-the-art machine learning methods.
The authors illustrate the key technical points using examples and figures to help the reader understand the material. The book includes an in-depth discussion and computational analysis of hybrid system identification problems, moving from the basic questions of the definition of hybrid systems and system identification to methods of hybrid system identification and the estimation of switched linear/affine and piecewise affine models. The authors also give an overview of the various applications of hybrid systems, discuss the connections to other fields, and describe more advanced material on recursive, state-space and nonlinear hybrid system identification.
Hybrid System Identification includes a detailed exposition of major methods, which allows researchers and practitioners to acquaint themselves rapidly with state-of-the-art tools. The book is also a sound basis for graduate and undergraduate students studying this area of control, as the presentation and form of the book provides the background and coverage necessary for a full understanding of hybrid system identification, whether the reader is initially familiar with system identification related to hybrid systems or not.