项目名称: 模型参数辨识中的试验优化设计问题研究

项目编号: No.61203116

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 自动化学科

项目作者: 刘雨

作者单位: 哈尔滨工业大学

项目金额: 22万元

中文摘要: 最优试验设计在科学实验中的数学建模、控制工程中的系统辨识、工业生产过程中的质量控制等方面,都具有非常广阔的应用前景。但是,传统的设计方法仅适用于回归模型和线性系统模型,而对于航空、航天等领域中不断出现的非线性动态系统辨识试验设计问题,则缺少必要的理论支撑和有效的解决办法。申请人在国内首次开展了相关的理论和试验研究工作,率先将全局最优化方法应用于非线性动态系统参数辨识的最优试验设计。研究内容包括:(1)针对非线性动态系统参数估计中的最优输入信号设计问题,给出相应的试验计划随机化设计方法,并研究非随机化方法的逼近问题;(2)将此类试验设计问题转化为有约束最优化问题,在此基础上,研究随机和确定性的全局最优化方法,关键是给出一类有约束非凸函数极小化问题的全局最优化条件;(3)以惯导平台系统自标定试验中旋转轨迹设计问题为应用背景,通过仿真和试验研究来检验所提出设计方法的工程实用性。

中文关键词: 试验设计;全局优化;非线性动态系统;参数估计;惯导系统自标定试验

英文摘要: Optimal experiment design has broad application prospects in many aspects such as mathematical modeling in scientific experiments, system identification for control engineering and quality control of industrial production. But traditional design methods can only apply to regression model and linear system model, while for the emerging experiment design problems of nonlinear dynamic system identification in the field of aerospace, necessary theoretical support and effective approaches are very absent. The applicant carries out relevant theoretical and experimental research for the first time in China and takes the lead in the application of global optimization method to optimal experiment design for parameter identification of nonlinear dynamic systems. The research contents include:(1)for the optimal input design problems in parameter estimation of nonlinear dynamic systems, the corresponding randomized design method of test plan is presented and the approximation problem of nonrandomized method is studied as well;(2)on the basis of transforming the experiment design problem into a constrained optimization problem, the stochastic and deterministic global optimization methods are studied with more emphasis on the global optimality conditions for a kind of constrained nonconvex minimization problem;(3)with the des

英文关键词: experimental design;global optimization;nonlinear dynamic system;parameter estimation;self-calibration test of INS

成为VIP会员查看完整内容
0

相关内容

逆优化: 理论与应用
专知会员服务
36+阅读 · 2021年9月13日
专知会员服务
48+阅读 · 2021年8月4日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
84+阅读 · 2020年12月11日
少即是多?非参数语言模型,68页ppt
专知会员服务
23+阅读 · 2020年11月22日
【ICML2020】机器学习无参数在线优化,294页ppt
专知会员服务
54+阅读 · 2020年8月1日
专知会员服务
42+阅读 · 2020年7月29日
斯坦福EE364a《凸优化》课件,301页ppt
专知会员服务
95+阅读 · 2020年7月14日
【UCLA】基于深度神经网络的工业大模型预测控制,36页ppt
对凸优化(Convex Optimization)的一些浅显理解
PaperWeekly
1+阅读 · 2022年1月29日
pytorch学习 | 提取参数及自定义初始化
极市平台
0+阅读 · 2021年12月21日
NeurIPS 2021 | 微软亚洲研究院机器学习领域最新研究一览
微软研究院AI头条
0+阅读 · 2021年12月8日
以BERT为例,如何优化机器学习模型性能?
专知
10+阅读 · 2019年10月3日
基于数据的分布式鲁棒优化算法及其应用【附PPT与视频资料】
人工智能前沿讲习班
26+阅读 · 2018年12月13日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月18日
Learning to execute or ask clarification questions
Arxiv
0+阅读 · 2022年4月18日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
Arxiv
23+阅读 · 2020年9月16日
Arxiv
11+阅读 · 2018年5月21日
小贴士
相关VIP内容
逆优化: 理论与应用
专知会员服务
36+阅读 · 2021年9月13日
专知会员服务
48+阅读 · 2021年8月4日
专知会员服务
21+阅读 · 2021年7月31日
专知会员服务
84+阅读 · 2020年12月11日
少即是多?非参数语言模型,68页ppt
专知会员服务
23+阅读 · 2020年11月22日
【ICML2020】机器学习无参数在线优化,294页ppt
专知会员服务
54+阅读 · 2020年8月1日
专知会员服务
42+阅读 · 2020年7月29日
斯坦福EE364a《凸优化》课件,301页ppt
专知会员服务
95+阅读 · 2020年7月14日
【UCLA】基于深度神经网络的工业大模型预测控制,36页ppt
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月18日
Learning to execute or ask clarification questions
Arxiv
0+阅读 · 2022年4月18日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
Arxiv
23+阅读 · 2020年9月16日
Arxiv
11+阅读 · 2018年5月21日
微信扫码咨询专知VIP会员