Online LTI system identification and time delay estimation
Notice bibliographique
Résumé
Model order selection for linear time-invariant (LTI) systems is an important system modeling concern and has been widely investigated through past decades. Different approaches of order selection such as Akaike information criterion (AIC), Bayesian information criterion (BIC), minimum description length (MDL) and reconstruction error LTI system identification (RE-LTI) propose different criteria to select the optimum order of a system. In many real life applications of model order selection the size of an observed data set is increasing. Thus, order selection methods need to adopt the best fit of a model as the data set size is increasing. This is our motivation to extend RE-LTI order selection for online application of order selection with lower computational cost and complexity. It has been shown previously that AIC, BIC, two-stage MDL and many existing order selection criteria are special cases of RE-LTI method. Our online order selection approach reduces the computational complexity of the offline approach from O(N3) to O(N2). It should be noted that RE-LTI and MNDL order selection methods have same fundamentals and consequently extending RE-LTI to online RE-LTI also extends MNDL to online MNDL. Another crucial issue in system identification and modeling is estimating the time delay of a system’s impulse response (or determining the start of its non-zero part). This problem is addressed in various areas including radar, sonar, acoustic source tracking, multipath channel identification, as well as many automatic control applications. Utilizing fundamentals of RE-LTI approach, here we introduce a new time-delay estimator. Simulation results show advantages of the proposed method and its superiority to existing approaches in accuracy and robustness in terms of the FIT index.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».