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

该论文针对线性系统识别问题建立了特定于问题的样本复杂性下限，其能够精确地表示系统的主要特征，并考虑了受控系统和不受控制的系统的情况。

Mar, 2019

该研究旨在探讨一些基于梯度的迭代方法和频域方法对于强凸函数和扇形边界梯度函数的鲁棒性以及收敛速率的影响，并给出了应用于梯度下降和三重动量方法的案例， 以及针对Nesterov加速方法在强凸函数上精确设置下的收敛率提出了改进的分析界限。

Dec, 2019

基于旋转不变设计矩阵的广义线性模型中，信号估计是一个问题。我们提出了一族新颖的近似传递消息(AMP)算法来估计信号，并通过状态演化递归在高维极限下严格表征了它们的性能。我们的旋转不变AMP与现有的基于高斯设计的AMP具有相同的复杂度；同时，我们的算法还将现有的AMP作为特例恢复。数值结果展示了与Vector AMP（在某些情况下被猜想为贝叶斯最优）相近的性能，但是我们的算法复杂度更低，因为它不需要计算昂贵的奇异值分解。

Dec, 2021

本文采用数据自适应RKHS Tikhonov正则化方法，提出基于可识别性函数空间的非局部算子核学习的收敛估计器，成功地从实际数据中学习微观尺度上应用于非均质固体的应力波传播的均质化模型，并在健壮性，泛化性和准确性方面优于基线方法。

May, 2022

本文提出了一种新颖的参数化方法，利用频域对大型原始数据集进行数据集提炼，通过频谱变换优化数据实例的频率表示，以在有限的预算内操作并更好地保留原始数据集的信息。此外，通过与现有方法的正交兼容性，验证了该方法在不同基准数据集的评估场景中持续改善了现有提炼方法的性能。

Nov, 2023

通过消除传感器对象上存在的转移函数效应，该方法解决了盲反卷积和噪声二阶周期稳定（CS2）信号时间波形的估计的双重问题。该方法在各种信号类型、转移函数和信号噪声比（SNR）下表现出高精度，对信号或转移函数没有先验知识要求。此方法有潜力改进机器学习模型的训练，当需要对具有不同转移函数的相同系统的信号进行聚合时。

Feb, 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