我们证明了随机梯度下降算法可以高效地收敛于未知线性时不变动态系统的极大似然目标函数的全局极值。虽然该目标函数是非凸的，但我们在强但自然的假设下提供了多项式运行时间和样本复杂度界限。尽管线性系统识别已经研究了许多年，但据我们所知，这是我们所考虑的问题的第一个多项式保证。

Sep, 2016

探讨了在粗略的近似下能够准确构建动态系统模型所需的样本数量与各种控制目标因性能降低而产生的权衡，给出了稳定线性时不变系统的噪声输入/输出样本数的上限，证明了这些需求低于先前旨在准确识别动态模型的需求，并阐述了不同物理输入约束如何影响样本复杂性，最后展示了分析如何适用于强健控制的已建立框架，证明了设计用于近似系统的控制器能够满足真实系统的性能目标。

Jul, 2017

该研究证明了最小二乘（OLS）估算器在从单个观察轨迹中识别线性动态系统方面达到了几乎最小化最优性能。

Feb, 2018

本文探讨了使用现代机器学习和统计学工具分析随机系统识别的有限样本复杂性，使用子空间识别算法和N个输出样本提供了系统参数估计误差的非渐近高概率上界。

Mar, 2019

本文介绍了利用欧几里德最大化的确定性等效逼近作为块坐标升方法的离线识别部分非线性系统的方法，通过试验验证该方法可靠且可扩展，可用于常见于机器人学中的高维确定性系统识别。

Jun, 2020

本文介绍了一种用于非线性动力系统状态空间识别的编码器方法，它通过将数据集拆分为多个独立部分来近似模拟误差，并使用前馈神经网络估计每个部分的初始状态，从而实现较高效的优化并在知名基准测试中取得了最优结果。

Dec, 2020

利用Huber损失函数的神经网络来准确估计复杂非线性系统的参数，该方法通过训练神经网络使用带有噪声的时间序列数据，使其逐步收敛到准确的参数，并在阻尼振荡器、Van der Pol振荡器、Lotka-Volterra系统和Lorenz系统中验证了其准确性和鲁棒性。该方法展示了在非线性系统中发现复杂关系的多功能工具，并能够灵活应对噪声和不确定性。

Aug, 2023

非线性系统识别的客观比较方法，包括基准数据集、基准技术和识别方法的相对性能。

May, 2024

使用深度学习作为似然无关估计器进行训练，以显著简化设计过程并避免非线性系统中固有的计算昂贵的二级优化问题，从而改善参数估计问题的恢复过程。

Jun, 2024

本研究解决了在有限系统集上识别线性时不变系统的样本复杂度问题，填补了现有文献的空白。文章提出了一种新颖的方法，通过最大似然估计器确定真实系统，并提供了不依赖于稳定性假设的样本复杂度上界。同时，利用信息论工具提供了一个独立于估计器的样本复杂度下界。成果为系统识别提供了重要的理论支持与实践指导。

Sep, 2024