学习非线性动态模型
这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法,用于从数据中识别非线性动态系统,以此预测未来状态和识别吸引基。在多个基准问题中,论文证明了该方法的有效性,包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。
Jan, 2018
提议一种基于视觉的方法,通过一组摄像机记录的原始视频自动发现 3D 移动目标的非线性动力学方程,通过目标跟踪模块、坐标变换学习模块和增强曲线支持的稀疏回归器组成,该方法有效处理与视觉数据相关的挑战。
Apr, 2024
现代生成式机器学习模型展示出令人惊讶的能力,能够创造出超越其训练数据的逼真产出,如逼真的艺术作品、精确的蛋白结构或对话文本。这些成功表明生成模型学会了有效地参数化和采样任意复杂的分布。本文旨在将经典作品与大规模生成统计学习中的新兴主题联系起来,包括经典吸引子重构、隐空间模型中的潜在表示学习等。还介绍了早期利用符号近似进行比较的努力,与现代努力进行黑盒统计模型的精简和解释相关。新兴的跨学科研究桥接了非线性动力学和学习理论,如用于复杂流体流动的算子理论方法,或者检测生物数据集中打破了详细平衡的情况。我们预计未来的机器学习技术可能会重新审视非线性动力学中的其他经典概念,如信息传输衰减和复杂性 - 熵权衡问题。
Nov, 2023
本文提出了一种稳定学习动态系统的方法,该方法采用联合学习动态模型和李雅普诺夫函数的方法,这样学习的系统在整个状态空间内保持稳定,同时它也能够被结合到其他深度生成模型中学习复杂的动态系统,例如视觉纹理。
Jan, 2020
本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题,同时在潜空间中学习动态先验,并允许自动确定潜在空间的维数,该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。
Jul, 2011
基于机器学习方法的控制研究现已过渡到实际工程阶段。本文提出了一种学习方法,用于确保系统的稳定性、可靠性等方面,为各种控制理论提供了高度的自由度,以实现高性能和理论上的安全性。通过将简单线性控制与控制屏障函数相结合,展示了一个设计示例,并将其应用于汽车发动机的实时控制,实验结果表明具有良好的预测性能和稳定的控制能力。
Nov, 2023
本文提出了一种基于深度学习的方法,可以从散乱的、有可能带有噪声的时空数据中,发现非线性偏微分方程,该方法通过两个深度神经网络来近似未知解和非线性动力学,并测试了其在多个科学领域的效果。
Jan, 2018
本文提出了一种新的数据驱动建模范式,该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场,并在非均匀时间步长的数据中加入龙格 - 库塔积分器,以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力,并表明它对大量测量误差具有强鲁棒性。
Aug, 2018
该研究提出了一种基于物理信息的机器学习控制方法,用于具有高噪声测量的非线性动态系统。结果表明,该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。
Nov, 2023