⚡ electrical engineering

Maximum Likelihood Estimation for System Identification of Networks of Dynamical Systems

本文提出了一种一致且高效的最大似然估计方法，用于识别动力系统网络，该方法即使在仅有部分节点观测值的情况下仍然适用，并且避免了对预测因子的需求，以确保计算效率。

原作者： Anders Hansson, João Victor Galvão da Mata, Martin S. Andersen

发布于 2026-02-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Anders Hansson, João Victor Galvão da Mata, Martin S. Andersen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一座规模宏大、繁忙喧嚣的城市，成千上万种不同的机器（比如交通灯、电网或工厂机器人）都在彼此交谈。每台机器都有自己的个性以及对输入做出反应的规则，但它们都连接在一个复杂的网络之中。

这篇论文的目标是：仅仅通过倾听这座城市中发生的对话，就能精确地弄清楚每一台独立的机器是如何运作的。在工程领域，这被称为系统辨识（System Identification）。

以下是作者所做工作的拆解，使用了简单的类比：

1. 问题所在：“缺失的麦克风”困境

通常情况下，要了解一台机器是如何运作的，你需要记录它的输入（你告诉它做什么）和输出（它做了什么）。

旧方法： 以前的方法要求你在网络中的每一台机器上都安装一个麦克风。如果你漏掉哪怕一台，整个谜题都无法破解。
新方法： 作者开发了一种即使你只在部分机器上安装了麦克风也能奏效的方法。只要网络遵循某些逻辑规则（他们称之为“可辨识性”），你仍然可以推断出那些沉默机器的行为。

2. 解决方案：“极大似然法”侦探

作者使用了一种被称为**极大似然估计（Maximum Likelihood Estimation, MLE）**的统计策略。

类比： 想象你是一名侦探，试图通过观察人们玩游戏来猜测游戏的规则。你不知道规则，但你看到了动作。你会尝试去猜测那些能让观察到的动作看起来“最有可能发生”的规则。
创新点： 通常，侦探会使用一个“预测器”（水晶球）来猜测接下来会发生什么，然后检查自己是否猜对了。问题在于，在复杂的网络中，构建这个水晶球在数学上非常繁琐且缓慢。
突破： 作者找到了一种无需先构建水晶球就能解开谜团的方法。他们重新构建了数学模型，使得可以直接观察“缺失的数据”（即未被测量的机器）。这就像是通过直接观察数独题目中的空格来解题，而不是试图一个一个地去猜测每个数字。

3. 为什么它很重要：准确性与效率

论文证明了他们这种新侦探方法的两件大事：

一致性（Consistency）： 如果你长时间倾听这座城市，你对机器运作方式的猜测最终会变得完美无缺。你不会停留在“还不错”的猜测上，而是会得到“真实”的答案。
效率（Efficiency）： 该方法达到了理论上的最优水平。它从数据中提取了最大量的有效信息，这意味着与其它方法相比，你只需要更少的时间就能获得可靠的答案。

4. “局部视角”的优势

作者在一个只能听到部分机器声音的网络上测试了他们的方法。

结果： 即使存在信息缺失，他们的方法仍成功重建了整个网络的行为。
对比： 他们将自己的方法与一种较旧且较快的方法（称为 PEM）进行了对比。
- 当能够听到所有信息时，两种方法表现都不错，但旧方法更快。
- 当只能听到部分信息时，旧方法失效了或者给出了有偏差（错误）的答案。然而，新方法依然能够正常工作，并给出准确的结果，尽管它需要更多的计算能力。

总结

可以将这篇论文看作是一种更聪明、更高效的逆向工程复杂机器网络的方法。

旧方法： “我需要看到每一个齿轮，才能知道时钟是如何运作的。”
新方法： “我可以通过观察我能看到的齿轮，来推断那些隐藏齿轮的运作方式；我使用了一种特殊的数学技巧，从而避免陷入复杂的计算中。”

作者展示了这种新技巧在数学上是严谨的，保证了在拥有足够数据的情况下能得到正确答案，并且在以往方法无法处理的情况下依然能够有效运作。

技术摘要：用于网络动力系统辨识的最大似然估计

问题陈述
本文探讨了识别互联动力系统网络中开环传递函数的挑战。虽然现有的动态网络系统辨识研究可分为拓扑结构估计、单模块辨识以及全网络动力学辨识，但本研究侧重于第三类：在给定拓扑结构的情况下进行全网络动力学辨识。

现有最大似然（ML）方法（如 [33]）的一个主要局限在于要求测量网络中的所有节点信号。在许多实际场景中，仅能获得部分节点的测量数据。此外，针对此类部分观测问题的标准 ML 公式通常依赖于涉及代数 Riccati 方程的预测器，这会导致难以进行数值求解的非凸优化问题。作者旨在建立一个 ML 框架，即使在无法测量所有网络节点的情况下，只要网络满足特定的可辨识性条件，该框架仍能保持一致性和有效性。

方法论
作者提出了一种直接的 ML 方法，用于识别代表网络内单个系统的 ARMAX 模型参数 $(a, b, c, \lambda)$ 。该方法通过以下关键理论和算法步骤进行：

模型构建： 网络被建模为通过线性静态反馈结构互联的单输入单输出（SISO）ARMAX 系统集合。闭环系统通过状态空间形式进行描述，并结合了外生信号和噪声。
预测器与创新形式： 作者推导了闭环系统的创新形式，该形式定义了卡尔曼预测器。他们确立了使相关代数 Riccati 方程解具有唯一性且预测器稳定的条件（假设 A2 和 A3）。
一致性与有效性： 本文证明了 ML 估计具有一致性（当数据长度 $N \to \infty$ 时收敛至真实参数）和有效性（达到克拉美-罗下界）。该证明依赖于信号的“信息量”概念和“广义网络可辨识性”。作者表明，虽然在广义网络可辨识条件下可以一致地识别开环传递函数 $(G)$ ，但除非满足特定的结构条件（如全节点测量或特定的网络拓扑），否则噪声动力学 $(H)$ 通常无法被识别。
等效优化公式化： 一个重要的 metodological 贡献是对问题进行了重新表述。标准公式将问题视为涉及代数 Riccati 方程的有约束优化问题。作者证明，通过将未测状态和噪声序列视为隐变量（缺失数据），可以将该问题等效地转化为无约束优化问题。这种受 [15] 和 [32] 启发的方法消除了在优化过程中对显式预测器约束或 Riccati 方程求解器的需求，从而促进了更高效的数值求解。

主要贡献
论文将其贡献总结如下：

理论保证： 它确立了网络最大似然系统辨识的一致性和有效性的条件。这将其在单系统上的研究成果推广到了网络领域，并为遍历情况提供了替代证明。
无约束优化： 它将 ML 辨识问题表述为一个无约束优化问题。这规避了基于预测器的 ML 公式中通常存在的非凸约束所带来的数值困难。
部分测量能力： 该方法适用于并非所有网络节点都被测量的场景，前提是网络满足广义网络可辨识性。这与需要全节点可观测性的现有 ML 方法形成对比。

结果
作者利用基于动力系统网络（来自 [16] 的特定拓扑）的数值实验验证了其方法。

与 PEM 的比较： 将所提出的 ML 方法与预测误差法（PEM）进行比较。在两种方法均适用（例如，当特定信号允许线性预测器公式化时）的情况下，ML 方法实现的拟合值与 PEM 相当。
对部分数据的鲁棒性： 当仅测量部分信号（例如 $u_3$ ）时，ML 方法能够成功识别网络动力学，而在这种情况下，线性 PEM 公式由于过拟合或偏差而无法识别所有传递函数。
性能指标： 虽然与 PEM 相比，ML 方法表现出略高的计算时间和较小的非收敛率（归因于问题的非凸性质），但在数据有限的场景下（此时 PEM 倾向于过拟合），它展示了更低的均方误差（MSE）和参数估计偏差。
可辨识性： 结果证实，即使由于缺乏全网络测量导致无法完全恢复噪声动力学 $H$ ，该方法仍能一致地恢复开环传递函数 $G$ 。

意义
本文声称其主要意义在于提供了一个在放宽全节点可观测性严格要求的前提下，仍具有理论完备性且数值可处理的网络辨识 ML 框架。通过重新表述问题以避免显式的预测器约束，作者使得 ML 方法能够应用于更广泛的网络辨识问题。这项工作强调，虽然线性 PEM 方法在计算上可能更快，但在复杂的网络场景或短数据序列中可能会出现偏差和过拟合，而所提出的 ML 方法在一般可辨识条件下为实现一致且有效的估计提供了更稳健的解决方案。作者指出，其结果可以平凡地推广到某些传递函数已知的情况。

1. 问题所在：“缺失的麦克风”困境

2. 解决方案：“极大似然法”侦探

3. 为什么它很重要：准确性与效率

4. “局部视角”的优势

总结

类似论文