面向不确定信息的非线性时变系统在线识别
机器人学
2026-01-16 v1 系统与控制
系统与控制
摘要
数字孪生 (DTs) 作为复杂 网络-物理系统实时监测和预测维修的核心 enabler， 对其虚拟模型提出了高预测精度、强可解释性和在线自适应能力的关键要求。然而，现有技术难以同时满足这些需求：贝叶斯方法在不确定性量化方面表现突出，但缺乏模型可解释性；而可解释符号识别方法(如 SINDy) 受限于其离线、批量处理的本质，使实时更新具有挑战性。为弥合此语义和计算鸿沟，本文提出一种新型基于贝叶斯回归的符号学习 (BRSL) 框架。该框架将在线符号发现形式化为统一的概率状态空间模型。通过引入稀疏马松先验，模型选择被转化为贝叶斯推断任务，实现系统识别与不确定性量化的同步。进一步，我们推导具有遗忘因子的在线递归算法，并建立精确的递归条件，保证后验分布的良好定义。这些条件也作为数据实用性的实时监测器，增强算法鲁棒性。此外，提供严格的收敛分析，表明在持续激励条件下，参数估计量收敛。案例研究验证了该框架在实现可解释、概率预测和在线学习方面的有效性。
引用
@article{arxiv.2601.10379,
title = {Online identification of nonlinear time-varying systems with uncertain information},
author = {He Ren and Gaowei Yan and Hang Liu and Lifeng Cao and Zhijun Zhao and Gang Dang},
journal= {arXiv preprint arXiv:2601.10379},
year = {2026}
}