Structure-optimizing identification of nonlinear systems using elitist particle filtering

Third party funded individual grant


Start date : 01.01.2016

End date : 31.07.2019


Project details

Scientific Abstract

Die Identifikation realer physikalischer und technischer Systeme ist eine klassische Grundaufgabe der statistischen Signaltheorie, bei der zunehmend auch nichtlinear in den Koeffizienten variierende gedächtnisbehaftete Modelle (im Folgenden: gedächtnisbehaftete NIK-Modelle) als neue Herausforderung betrachtet werden. Relevant sind solche Modelle insbesondere für elektromagnetische und elektroakustische Wandler im nichtlinearen Betrieb (z.B. Hysterese, Übersteuerung). Ausgehend von eigenen und anderen Vorarbeiten erscheint es sehr vielversprechend, Methoden für eine strukturoptimierende Systemidentifikation mit gedächtnisbehafteten NIK-Modellen anzustreben, bei der neben den Modellkoeffizienten gleichzeitig auch die zugrunde liegenden Strukturparameter (z.B. Modellordnung) optimiert werden. In diesem Projekt soll gezeigt werden, dass das unlängst von den Antragstellern veröffentlichte generische EPFES (engl. Elitist Particle Filter based on Evolutionary Strategies)-Verfahren entscheidende Anforderungen an ein solches Systemidentifikationsverfahren erfüllt um den Stand der Forschung signifikant voranzubringen. Anders als klassische Methoden, die auf linearisierten Modellen oder lokalen Optimierungsverfahren basieren, kombiniert das EPFES-Verfahren grundlegende Methoden des maschinellen Lernens und der genetischen Algorithmen, um Koeffizienten als Zufallsvariablen zu modellieren und deren Realisierungen (sog. Partikel) basierend auf Langzeitfitnesswerten zu evaluieren. Das EPFES-Verfahren wurde bisher für zeitvariante gedächtnislose Nichtlinearitäten verifiziert und soll in diesem Antrag sowohl konzeptionell verallgemeinert als auch mit Modell- und Strukturoptimierung kombiniert werden, um eine universelle Identifikation gedächtnisbehafteter NIK-Modelle zu erreichen. In Arbeitspaket 1 gilt es daher das dem EPFES-Ansatz zugrunde liegende, heuristisch motivierte Partikel-Evaluationsverfahren durch die Einbeziehung der Erkenntnisse benachbarter Forschungsgebiete (z.B. Partikelschwarmoptimierung) zu verbessern und schließlich gedächtnisbehaftete Modelle basierend auf neuronalen Netze (z.B. mit Rückkopplungen) zu identifizieren. In Arbeitspaket 2 soll zur Modelloptimierung physikalisches Vorwissen über den Ansatz der Significance Awareness in die EPFES-basierten Verfahren einfließen. In Arbeitspaket 3 werden zur weiteren Strukturoptimierung konkurrierende Modellinstanzen kombiniert. Abschließend soll das bis dahin entwickelte Verfahren auf die mehrkanalige Systemidentifikation übertragen und in unterschiedlichen Transformationsbereichen (z.B. im Wellenbereich) untersucht werden. Die experimentelle Verifikation der neu entwickelten Verfahren soll sich wegen der besonders herausfordernden Signaleigenschaften, aber auch wegen der praktischen Relevanz und der relativ leicht messbaren Signale, auf Aufgabenstellungen der akustischen Signalverarbeitung konzentrieren.

Involved:

Contributing FAU Organisations:

Funding Source