FenixEdu™

Dissertação

{en_GB=Adaptive Control With Sparse Models} {} EVALUATED

Detalhes: {pt=A principal motivação para as estratégias de controlo propostas é a predição e estimação da dinâmica de sistemas lineares invariantes no tempo e de sistemas lineares variantes no tempo. O problema da identificação de sistemas estudado tem como objectivo a estimação recursiva dos coeficientes da função de transferência do sistema e respectiva ordem. Neste trabalho são utilizados métodos tradicionais para realizar a identificação de sistemas de forma recursiva, como é o caso da versão recursiva do método dos mínimos quadrados. Estes métodos são depois aliados a restrições que enforçam a esparsidade das soluções, na busca pela obtenção de modelos simplificados, que evitem assim a sobre-parametrização de modelos. Dada a natureza da norma l1, torna-se possível obter um vector de parâmetros esparso, que revela a correcta ordem do sistema. Os algoritmos propostos são descritos e aplicados através de simulações. Neste trabalho, duas estratégias de controlo são consideradas, uma baseada em predição um passo à frente, e uma outra baseada em predição múltiplos passos à frente. Estas estratégias são acopladas aos algoritmos de estimação enunciados e são depois testadas e ilustradas em simulação., en=The main motivation for the control strategies proposed in this work is to predict and estimate linear time-invariant and time-varying dynamical systems, while reducing the process model complexity. The identification problem studied aims at estimating the transfer function coefficients recursively and the order of the system, using classical methods of recursive model identification, such as Recursive Least Squares. Sparse constraints are appended to these methods such as to achieve subset model selection, and thus avoid model over-parameterization. Owing to the nature of the l1 norm penalty, a sparse model parameter vector of estimates is obtained, and the true order of the system is revealed. The algorithms proposed are described and applied to the identification of sparse systems. Two control strategies are considered in this work, one based on one-step ahead prediction, and other based on multi-step ahead prediction. These strategies are coupled to the algorithms described, and they are then tested and illustrated by simulation.}
Keywords: {pt=Esparsidade, Controlo Adaptativo, Identificação de Sistemas, Predição, Controlo de Variância Mínima, Controlo Preditivo Generalizado., en=Sparsity, Adaptive Control, System Identification, Prediction, Minimum Variance Control, Generalized Predictive Control.}

Discussão: novembro 17, 2017, 14:0