web address of the page http://jnas.nbuv.gov.ua/article/UJRN-0001254211
Cybernetics and Systems Analysis   А - 2019 /  Issue (2021, Т. 57, № 4)
Губарев В. Ф., Сальников Н. Н., Мельничук С. В.
Регуляризированные решения задач идентификации в классе моделей линейной регрессии Рассмотрена проблема идентификации сложных дискретных систем в классе моделей линейной регрессии. При наличии погрешностей в данных соответствующая задача идентификации в большинстве случаев является некорректно поставленной. В условиях ограниченной неопределенности исходных данных предлагается находить приближенное регуляризированное решение и в качестве регуляризирующего параметра использовать размерность модели. Разработаны и исследованы два способа определения размерности модели, позволяющие находить приближенное решение задачи идентификации, согласованное по точности с погрешностью данных. На основе численного моделирования выполнены исследования разработанных способов идентификации и дана оценка их эффективности.
 https://doi.org/10.1007/s10559-021-00380-8
 Scopus
Бібліографічний опис:
Губарев В. Ф., Сальников Н. Н., Мельничук С. В. Регуляризированные решения задач идентификации в классе моделей линейной регрессии. Кібернетика та системний аналіз. 2021. Т. 57, № 4. С. 56–69. doi: https://doi.org/10.1007/s10559-021-00380-8 URL: http://jnas.nbuv.gov.ua/article/UJRN-0001254211 |
 Cybernetics and Systems Analysis / Issue (2021, 57 (4))
Gubarev V.F.,
Salnikov N.N.,
Melnychuk S.V.
Identification of regularized models in the linear regression class The problem of identification of complex discrete systems in the class of linear regression models is considered. The problem of identifying an exact model on noisy initial data is known to be ill-posed. Under limited uncertainty of initial data, it is proposed to find an approximate regularized solution and use model’s dimension as a regularization parameter. Two techniques for estimating the dimension of the model have been developed and investigated. They make it possible to find an approximate solution to the identification problem, consistent in accuracy with the data error. On the basis of numerical modeling, the developed identification methods have been analyzed and their efficiency has been evaluated. © 2021, Springer Science+Business Media, LLC, part of Springer Nature. Keywords: complex system, identification, linear regression, model dimension estimation, regularization, simulation, singular value decomposition (SVD), Regression analysis, Approximate solution, Data errors, Discrete systems, Identification method, Identification problem, Linear regression models, Regularization parameters, Use-model, Numerical methods
Cite:
Gubarev V.F.,
Salnikov N.N.,
Melnychuk S.V.
(2021). Identification of regularized models in the linear regression class. Cybernetics and Systems Analysis, 57 (4), 56–69. doi: https://doi.org/10.1007/s10559-021-00380-8 http://jnas.nbuv.gov.ua/article/UJRN-0001254211 [In Russian]. |
PDF