Article
Data-Driven State-Space Models of Acoustical Systems (vor Ort)
Authors
* Presenting author
Day / Time: 24.03.2022, 11:00-11:40
Room: 7-01.
Typ: Poster
Session: Numerische Akustik (Posterinsel K)
Online-access: Bitte loggen Sie sich ein, damit weitere Inhalte sichtbar werden (bspw. der Zugang zur Onlinesitzung).
Information: Die Poster sind von Dienstag morgen bis Donnerstag nachmittag in der hier angegebenen Posterinsel bzw. hier als PDF im jeweiligen Posterbeitrag einsehbar. Das Posterforum zu diesen Postern findet im hier genannten Zeitraum im angegebenen Saal statt. Für weiterführende Diskussion verabreden Sie sich bitte mit der/dem jeweiligen Autor(in) am Poster oder nutzen den virtuellen Pausenraum. Dieser steht während der DAGA und auch danach zur Verfügung.
Abstract:
Recent advances in the area of numerical linear algebra have brought forth randomized rank-revealing matrix factorizations. These computationally efficient methods can be used to apply classical system identification methods, e.g. the Eigensystem Realization Algorithm, to high-dimensional input data which can arise from impulse response or transfer function measurements of acoustical transmission systems. The size of these measurements is not uncommonly in the order of 10e+6 samples which have made many system identification methods unfeasible in the past because they rely on the singular value decomposition.The apparent benefits of state-space models such as model order reduction, parametric interpolation or robust control can now be reaped in scenarios where high-fidelity analytical models are hard to obtain. This sheds new light onto many modelling challenges. Our studies have shown that reduced data-driven state-space models can already be more efficient when it comes to forced-response computations compared to established (spectral) convolution methods.