基于加权核范数优化的鲁棒子空间系统辨识
系统与控制
2013-12-10 v1 机器学习
机器学习
摘要
子空间辨识是系统辨识中一个经典且被深入研究的问题。该问题最近通过核范数松弛被表述为一个凸优化问题。受鲁棒 PCA 的启发，我们将此框架扩展以处理异常值。所提出的框架表现为一个凸优化问题，其目标函数在拟合度、秩和稀疏性之间进行权衡。与鲁棒 PCA 类似，寻找合适的正则化参数可能存在问题。我们展示了如何将寻找合适参数的空间限制为二维参数空间中的一个有界开集。在实践中，这非常有用，因为它限制了需要搜索的参数空间。
引用
@article{arxiv.1312.2132,
title = {Robust Subspace System Identification via Weighted Nuclear Norm Optimization},
author = {Dorsa Sadigh and Henrik Ohlsson and S. Shankar Sastry and Sanjit A. Seshia},
journal= {arXiv preprint arXiv:1312.2132},
year = {2013}
}
备注
Submitted to the IFAC World Congress 2014