Identification of Continuous-Time Systems: Linear and Robust Parameter Estimation (Engineering Systems and Sustainability)

مدل های سیستم های دینامیکی برای اهداف مختلف در زمینه سیستم ها و کنترل مورد نیاز است. مدل ها در زمان گسسته (DT) یا در زمان پیوسته (CT) مدیریت می شوند. سیستم‌های فیزیکی تنها در CT مدل‌هایی را ایجاد می‌کنند، زیرا آنها بر اساس قوانین فیزیکی هستند که همیشه در CT وجود دارند. در شناسایی سیستم، روش‌های غیرمستقیم مدل‌های DT را ارائه می‌کنند که سپس به CT تبدیل می‌شوند. روش‌های شناسایی مستقیم مدل‌های CT به دلایل مختلف بر روش‌های غیرمستقیم ترجیح داده می‌شوند. روش های مستقیم شامل مرحله اولیه پردازش سیگنال و به دنبال آن مرحله ثانویه تخمین پارامتر است. در مرحله اولیه، سیگنال‌های اندازه‌گیری شده توسط یک عملیات دینامیکی خطی کلی پردازش می‌شوند - محاسباتی یا از طریق فیلترهای پیش‌فیلتر، برای حفظ پارامترهای سیستم در فرم اصلی CT خود - و ادبیات در این زمینه غنی است.

در این کتاب: شناسایی سیستم‌های زمان پیوسته- تخمین پارامتر خطی و قوی، آلاماراجو سوبراهمانیام و گانتی پراسادا رائو مدل‌های سیستم CT را در نظر می‌گیرند. در پارامترهای ناشناخته خود خطی هستند و روش های برآورد قوی را پیشنهاد می کنند. این کتاب با تقویت مرحله ثانویه از طریق تخمین خطی و قوی، متون موجود در مورد شناسایی سیستم های سی تی را تکمیل می کند.

در این کتاب، نویسندگان

• نمای کلی از شناسایی سیستم CT ارائه دهید،
• مدل های پارامتر مارکوف و مدل های لحظه لحظه ای را به عنوان مدل های خطی در پارامترهای ساده در نظر بگیرید. برای شناسایی سیستم CT،
• آنها را از طریق توابع پایه وارد پارامترسازی مدل اصلی کنید،
• ارائه روشی برای تقویت الگوریتم حداقل مربعات بازگشتی برای تخمین پارامتر مدل‌های رگرسیون خطی،
• پیشنهاد یک خاموش ساده - طرح کمی خطای خطی برای نشان دادن اینکه امکان کمی سازی خطا حتی در صورت عدم وجود اطلاعات قبلی وجود دارد و
• نشان دادن برخی جهت ها برای تحقیقات بیشتر .

این حجم کم در نظر گرفته شده است که افزوده مفیدی به ادبیات شناسایی سیستم های CT باشد.

Models of dynamical systems are required for various purposes in the field of systems and control. The models are handled either in discrete time (DT) or in continuous time (CT). Physical systems give rise to models only in CT because they are based on physical laws which are invariably in CT. In system identification, indirect methods provide DT models which are then converted into CT. Methods of directly identifying CT models are preferred to the indirect methods for various reasons. The direct methods involve a primary stage of signal processing, followed by a secondary stage of parameter estimation. In the primary stage, the measured signals are processed by a general linear dynamic operation―computational or realized through prefilters, to preserve the system parameters in their native CT form―and the literature is rich on this aspect.

In this book: Identification of Continuous-Time Systems-Linear and Robust Parameter Estimation, Allamaraju Subrahmanyam and Ganti Prasada Rao consider CT system models that are linear in their unknown parameters and propose robust methods of estimation. This book complements the existing literature on the identification of CT systems by enhancing the secondary stage through linear and robust estimation.

In this book, the authors

• provide an overview of CT system identification,
• consider Markov-parameter models and time-moment models as simple linear-in-parameters models for CT system identification,
• bring them into mainstream model parameterization via basis functions,
• present a methodology to robustify the recursive least squares algorithm for parameter estimation of linear regression models,
• suggest a simple off-line error quantification scheme to show that it is possible to quantify error even in the absence of informative priors, and
• indicate some directions for further research.

This modest volume is intended to be a useful addition to the literature on identifying CT systems.