Reliable truncation parameter selection and model order estimation for stochastic subspace identification
Notice bibliographique
Résumé
Stochastic subspace identification (SSID) is a fundamental technique for the analysis and prediction of dynamic systems influenced by stochastic processes. This paper addresses critical challenges in SSID, focusing on two steps of SSID, the estimation of truncation hyperparameters and the model order selection, which are pivotal for accurate and robust system parameter estimation. While the existing approaches for truncation hyperparameter estimation mostly rely on arbitrary choices in practice, a new fully automated approach, denoted as Multivariate Reconstruction Error Modeling (MREM), is introduced that is based on a solid theory of measurement errors. Similarly, the existing order selection approaches utilize different penalty terms. However, in application, the optimum approach is chosen by trial and error, and as the data length increases, the methods seem to perform worse, which alarms the issue of consistency. A new method for model order estimation, called Advanced Mean Square Eigenvalue Error (AMSEE) Minimization, is proposed in this work, which is not only consistent as the data length grows but also shows superiority over these existing methods. Instead of a penalty term, the method focuses on the mean square error of the singular value decomposition (SVD) and provides a method that, unlike existing ones, is robust to noise variation. The combination of MREM and AMSEE collectively denoted as MRSEE, achieves rapid convergence to the true model order, maintaining accuracy even as the data length increases. Simulation results consistently confirm these properties and the superiority of MRSEE over the existing approaches, exhibiting better accuracy and robustness against overfitting and underfitting in varying measurement noise conditions. In experiments with synthesized electroencephalogram (EEG) data, MRSEE reduces estimation and true error rates up to 43.44% and 41.16%, respectively, compared to the state-of-the-art approaches. These results highlight MRSEE’s capability to provide robust and reliable solutions for SSID applications, particularly in scenarios with relatively shorter data lengths and lower signal-to-noise ratio (SNR).
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 | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».