报告题目：核正则化方法

报告摘要：

系统辨识中经典的预测误差/极大似然方法难以较好处理短数据、低信噪比数据，同时也面临选择合适模型阶次的困难。核正则化方法是近十年来系统辨识领域发展起来的应用机器学习核方法处理辨识问题的新手段，包含两个核心问题：核矩阵设计和超参数估计。核矩阵设计是将待辨识系统的先验知识，比如脉冲响应序列的指数衰减性、光滑性、非负性等，通过核矩阵的参数化自动嵌入到估计中，这一过程类似于传统的模型结构选择。超参数估计是使用数据估计核矩阵中的未知参数，等价于确定模型的复杂度，类似于传统方法的阶次选择，常用方法有经验贝叶斯、斯坦风险无偏估计器、交叉验证等。大量实验和仿真结果显示，对短数据、低信噪比等情形，核正则化方法给出的估计具有更好的精确性和鲁棒性，并且不需要选择模型阶次。

报告人简介：

牟必强，中国科学院数学与系统科学研究院副研究员。于2008年从四川大学获得工学学士学位，于2013年从中国科学院数学与系统科学研究院获得理学博士学位。先后在美国韦恩州立大学、澳大利亚西悉尼大学、瑞典林雪平大学从事博士后研究工作。牟必强博士研究兴趣包括动态系统建模与辨识，机器学习核方法，动力电池老化机理分析等。在自动控制领域 Automatica，IEEE Transactions Automatic Control、SIAM Journal on Control and Optimization，European Journal of Control 等期刊上发表多篇论文。