Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

logo del sistema bibliotecario dell'ateneo di padova

Faccio, Chiara (2019) Proximal algorithms for nuclear norm system identification. [Magistrali biennali]

Full text disponibile come:

[img]
Preview
PDF
1528Kb

Abstract

In this thesis, we present four proximal algorithms for the solution of a nuclear norm optimization problem. Respect to other papers, we solve a more generic version of this problem. Another contribution is related in particular to the model order selection, in fact, we propose to use the parsimony principle. Experimentally with this method, we obtain a better fit with a lower model order.

Item Type:Magistrali biennali
Corsi di Diploma di Laurea:Scuola di Scienze > Matematica
Uncontrolled Keywords:Proximal algorithms, nuclear norm optimization problem
Subjects:Area 01 - Scienze matematiche e informatiche > MAT/08 Analisi numerica
Codice ID:62447
Relatore:Marcuzzi, Fabio
Data della tesi:19 April 2019
Biblioteca:Polo di Scienze > Biblioteca di Matematica
Tesi sperimentale (Si) o compilativa (No)?:Yes

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione e non da noi.

[1] Andersen M. S., Dahi J. Vandenberghe L. CVXOPT Documentation, Cerca con Google

Release 1.2.3, (2019) http://cvxopt.org/documentation Vai! Cerca con Google

[2] Andersen M. S., Li J., Vandenberghe L. Inexact proximal Newton methods for self-concordant functions, Mathematical Methods of Operational Research 85(1), November 2016 Cerca con Google

[3] Antonello N., Stella L., Moonen M., Panagiotis P., van Waterschoot T., Proximal Gradient Algorithms: Applications in Signal Processing, submitted Cerca con Google

to IEEE Signal Processing Magazine (2018) Cerca con Google

[4] Beck A., Teboulle M., A Fast Iterative Shrinkage-Thresholding Algorithm Cerca con Google

for Linear Inverse Problems, SIAM J. Imaging Sciences, Vol. 2, No. 1, Cerca con Google

pp. 183-202 Cerca con Google

[5] Beck A., Teboulle M., Fast Gradient-Based Algorithms for Constrained Cerca con Google

Total Variation Image Denoising and Deblurring Problems, IEEE Transactions on Image Processing, Vol. 18, No. 11 (2009) Cerca con Google

[6] Bertolazzi E., Quasi-Newton methods for minimization, Lectures for PHD Cerca con Google

couse on Numerical optimization, DIMS- Università di Trento (2011), Cerca con Google

http://www.ing.unitn.it/ bertolaz/2-teaching/2011-2012/AA-2011-2012- Vai! Cerca con Google

OPTIM/lezioni/slides-mQN.pdf Cerca con Google

[7] Boyd S., Parikn N., Proximal Algorithms, Foundations and Trends in Cerca con Google

Optimization, Vol. 1, No. 3 (2013) 123-231 Cerca con Google

[8] Boyd S., Chu E. Eckstein J., Parikn N., Peleato B., Distributed Optimization and Statistical Learning via the Alternating Direction Method Cerca con Google

of Multipliers, Foundations and Trends in Machine Learning, Vol. 3, No. Cerca con Google

1 (2010) 1-122 Cerca con Google

[9] Boyd S., Vandenberghe L., Convex Optimization, Cambridge University Cerca con Google

Press, Cambridge, 2004 Cerca con Google

[10] Byrd R. H., Nocedal J., Oztoprak F., An inexact successive quadratic Cerca con Google

approximation method for convex L-1 regularized optimization, Mathematical Programming 157(2) · September 2013 Cerca con Google

[11] De Moor B., De Gersem P., De Schutter B., Favoreel W., DAISY: A Cerca con Google

database for the identification of systems, Journal A 38 (3) (1997) 4-5 Cerca con Google

[12] Fazel M. Ting Kei Pong, Defeng Sun, Tseng P., Hankel matrix rank Cerca con Google

minimization with applications to system identification and realization, Cerca con Google

SIAM J. Matrix Anal. Appl., 34(3), 946–977 Cerca con Google

[13] Hansson A., Liu Z., Vandenberghe L., Subspace System Identification via Weighted Nuclear Norm Optimization, arXiv:1207.0023vl [cs.SY] (2012) Cerca con Google

[14] Hansson A., Liu Z., Vandenberghe L., Nuclear norm system identification with missing inputs and outputs, submitted to System and Control Letters, (2013) Cerca con Google

[15] Hansson A., Liu Z., Vandenberghe L., SIMIO: Matlab package for system identification with missing inputs and outputs, (2013) http://www.zhangliu.com/software/file/simio.zip Vai! Cerca con Google

[16] Lee J. D., Sun Y., Saunders M. A., Proximal Newton-type methods for Cerca con Google

convex optimization, Advances in Neural Information Processing System, Cerca con Google

pp. 836-844 (2012) Cerca con Google

[17] Lee J. D., Sun Y., Saunders M. A., Proximal Newton-type method for Cerca con Google

minimizing composite functions, SIAM J.Optim. Vol. 24 No. 3, pp. 1420- 1443 Cerca con Google

[18] Liu Z., Vandenberghe L., Interior-point code for nuclear norm minimization (version 1.0), (2009) http://cvxopt.org/applications/nucnrm/ Vai! Cerca con Google

[19] Marcuzzi F., Analisi dei Dati mediante Modelli Matematici, Cerca con Google

http://www.math.unipd.it/ marcuzzi Vai! Cerca con Google

[20] Nedich A., Newton Method and Self-Concordance, Lecture 15, (2008) Cerca con Google

Department of Industrial and Enterprise Systems Engineering, University Cerca con Google

of Illinois, http://www.ifp.illinois.edu/ angelia/L15_selfconcordant.pdf Vai! Cerca con Google

[21] Tibshirani R., Proximal Newton Method, Cerca con Google

http://www.stat.cmu.edu/ ryantibs/convexopt-F15/lectures/17-proxnewton. Vai! Cerca con Google

pdf Cerca con Google

[22] Vandenberghe L. Convex optimization techniques in system identification, Electrical Engineering Department, UCLA, Los Angeles, CA Cerca con Google

90095, http://www.seas.ucla.edu/ vandenbe/publications/sysid-244.pdf Vai! Cerca con Google

[23] Vandenberghe L. Conjugate functions, lecture notes 7 for the course Optimization methods for large-scale systems, UCLA Electrical and Computer Engineering Department Cerca con Google

[24] Verhaegen, Michel and Hansson, Anders, N2SID: Nuclear norm subspace identification of innovation models, Automatica, Vol. 72, No. C, pp. 57-63, October 2016 Cerca con Google

[25] Werner C. Rheinboldt, Quasi-Newton Methods, https://wwwm2. Vai! Cerca con Google

ma.tum.de/foswiki/pub/M2/Allgemeines/SemWs09/quasi-newt.pdf Cerca con Google

Solo per lo Staff dell Archivio: Modifica questo record

EPrints Logo
Padua@Thesis is powered by EPrints 3 which is developed by the School of Electronics and Computer Science at the University of Southampton. More information and software credits.