报告人：陈天石（香港中文大学（深圳））

报告题目： An Introduction to Regularized System Identification

报告时间：12月5日 下午14:00-15:00

腾讯会议：400-441-418

报告摘要：System Identification is about building mathematical models of dynamic systems based on observed input-output signals. It is a well-established topic in the field of automatic control and is also a basic tool in industrial practice. However, system Identification has largely been sticking to the maximum likelihood (or related) framework. In order to deal with the increasing demands, great efforts need to be done to absorb the essence of new techniques from other fields for pushing forward system identification methodologies. One such recent effort is the investigation of the so-called regularization methods. The regularization method is widely used in statistics and machine learning for handling the bias-variance tradeoff and inducing sparsity. Recent efforts show that regularization methods can outperform the standard ones for problems of model estimation and finding sparse solutions in System Identification. The purpose of this talk is to introduce the basic ideas as well as the latest results of regularization methods for system identification.

个人简介：陈天石在2008年12月从香港中文大学获得自动化与计算机辅助工程博士学位。在2009年4月至2015 年12月期间，他在瑞典Linkoping 大学电气工程系工作，先任博士后（从2009年4 月至2011年3月），后任助理教授（从2011年4月至2015年12月）。在2015年5月，他入选了国家海外高层次人才青年计划。在2015年12月，他回国加入香港中文大学（深圳）。 他主要从事系统辨识及其应用的研究工作。他目前是Automatica（2017-至今）的编委，他曾是System & Control Letters（2017-2020）和 IEEE控制系统协会会议编委会（CEB）的编委（2016-2019）。他受邀在2021年第19届IFAC系统辨识会议作为四位大会报告人之一，做了主题为“正则化系统辨识-先验知识的觉醒”大会报告，他和合作者在2022年5月出版了正则化系统辨识的第一本专著《Regularized System Identification – Learning Dynamic Models from Data》，他在2022年11月入选了“2021年全球前2%顶尖科学家”。