大规模耦合网络系统的辨识研究

Along with the extensive implementations of large-scale network systems, the research of network identification becomes more and more important. Due to the coupling phenomenon between subsystems in a network, the identification of large-scale networks becomes challenging in terms of computational complexity. To this end, this project is devoted to the distributed identification of large-scale network systems from different perspectives. Firstly, a distributed optimization algorithm is developed for the identification of large-scale homogeneous network system; secondly, inspired from the blind identification idea, the global network model is obtained by identifying different sub-network systems; thirdly, by adopting the idea of the unknown-input state observer design, the global network model is identified via independent identification of all subsystems; fourthly, the distributed identification algorithms are extended to large-scale nonlinear network systems. The research of this project not only provides network models for their different applications, but also contributes to the development of traditional network system identification field. The applicant has been devoted to the research relevant to the network system identification in the last few years, and has published/accepted 14 first-author papers on top journals in the control and signal processing fields, such as IEEE-TAC, Automatica and IEEE-TSP.

随着大规模网络系统在不同领域的广泛应用，其所依赖的网络模型的辨识研究变得十分迫切。当网络子系统之间存在耦合现象时，大规模网络系统模型不能够通过每个子系统的独立辨识获得，从而在计算复杂度上对其辨识研究造成了极大挑战。针对该问题，本项目拟开展大规模网络系统的分布式辨识研究，包括（1）设计分布式优化算法来实现大规模同构网络系统的辨识；（2）采用盲系统辨识的思想，将大规模网络系统辨识通过不同小规模网络的并行辨识来实现；（3）设计含未知输入的局部网络状态估计算法，将大规模网络模型通过每个子系统的独立辨识来获得；（4）将上述分布式辨识算法推广到大规模非线性网络系统的辨识。本项目的研究不仅能够为网络系统在不同领域的应用提供模型，而且有助于推动传统系统辨识领域的发展。项目申请人一直致力于网络系统辨识的相关研究，已在控制和信号处理领域顶级期刊TAC、Automatica和TSP上发表与录用了14篇一作论文。

随着大规模网络系统在不同领域的广泛应用，其所依赖的网络模型辨识研究变得十分迫切。当网络子系统之间的状态交互信息不可直接观测时，大规模网络系统模型不能够通过每个子系统的独立辨识获得，从而在计算复杂度上对其辨识研究造成了极大挑战。针对该问题，本项目开展了大规模网络系统的分布式辨识研究，所取得的研究成果主要包括如下三方面：.（1）针对网络系统拓扑结构已知的情形，发现了系统状态强可观的拓扑结构条件，将大规模多智能体系统分解成具有状态强可观拓扑结构的局部系统，通过对局部系统的独立盲辨识实现大规模多智能体系统的分布式并行辨识，突破了集中式辨识方法计算量同智能体数量成立方次比的限制，为大规模多智能体网络系统控制的提供高效建模方法。.（2）融合了经典预报误差方法和子空间辨识方法的优点，建立了结构化低秩约束的子空间辨识框架，提出了求解结构化秩约束优化问题的序贯凸松弛方法，解决了线性以及非线性结构约束的状态空间模型辨识问题，提高了非线性网络系统辨识结果的全局最优性。.（3）针对网络系统拓扑结构未知的情形，提出了稀疏逆功率谱驱动的广义最大熵凸优化方法，实现了对ARMA模型参数和图结构参数的联合辨识；同时，提出了低秩和稀疏联合正则化的隐线性结构化模型辨识方法，突破了传统方法只能处理加性白噪声的局限性。.上述研究成果在控制领域顶级期刊IEEE-TAC和Automatica上共发表了SCI论文6篇，出版专著2部。在本项目资助下，项目负责人获中国自动化学会自然科学一等奖1项。