使用程序归纳解释转换系统动态
通过视觉观察来估计物理特性 (系统辨识) 的问题,本论文介绍了一种新颖的混合框架,该框架利用三维高斯表示不仅能捕捉明确的形状,还能使模拟连续推导训练中的隐含形状。我们提出了一种基于运动分解的新型动态三维高斯框架,以在不同时间状态下恢复物体作为三维高斯点集。此外,我们开发了一种由粗到细的填充策略,从高斯重建生成物体的密度场,允许提取物体连续及其表面,并将高斯属性融入这些连续体中。除提取的物体表面外,高斯信息的连续体还能在模拟中渲染物体掩膜,为物理特性估计提供隐含形状引导。大量实验评估表明,我们的管线在多个基准和度量标准上达到了最先进的性能。另外,我们通过真实世界演示展示了所提方法的实用性。
Jun, 2024
该论文提出了一种综合利用 Fisher 信息矩阵(Fisher Information Matrix)的端到端黑盒系统识别方法,以获得对动态重要性和整体模型结构的洞察。该方法通过在网络的第一层添加决策模块,并使用完整的 FIM 作为输入来确定相关性得分。然后,在输入和相关性得分的逐元素乘法上执行向前传播。仿真结果表明,该方法有效捕捉各种类型的动态之间的相互作用,优于现有方法的多项式相互作用限制。此外,该新方法在识别现实世界的工业系统,特别是 PH 中和过程方面的应用中的有效性得到了确认。
Jun, 2024
该论文介绍了一份捕获了废弃 BAE Systems Hawk T1A 动态响应的新基准数据集,该数据集反映了具有服役历史的复杂结构的行为,可以在受控实验室条件下进行测试,使用各种已知加载和损伤模拟条件,进而为简单实验室测试结构和使用中的结构之间搭建了一个关键的桥梁。
Jun, 2024
从观察到的噪声数据中恢复动力学方程是系统辨识的核心挑战,我们开发了一种统计力学方法来分析稀疏方程发现算法,它通常通过试错选择超参数来平衡数据拟合和简洁性。在这种框架下,统计力学提供了工具来分析复杂性和适应性之间的相互作用,类似于熵和能量之间的分析。通过将优化过程定义为二级贝叶斯推断问题,将变量选择与系数值分离,并能够通过闭合形式计算后验参数分布,从而建立这种类比。运用统计力学的概念,如自由能和配分函数,在低数据限制下尤其能够量化不确定性,这在实际应用中经常遇到。随着数据量的增加,我们的方法类似于热力学极限,导致明确区分正确和错误辨识的不同疏松度和噪声诱导的相变。这种对稀疏方程发现的观点是多功能的,可以适应各种其他方程发现算法。
Mar, 2024
通过对比深度神经网络与生物神经元记录的研究,本文提出了一个系统鉴定研究,重点比较单张图片和视频理解模型在视觉皮层记录方面的效果,并通过实验和模拟环境的设置,对超过 30 种不同模型进行了比较,揭示了视频理解模型优于图片理解模型,卷积模型在早期 - 中期区域的效果优于基于变换器的模型(除了多尺度变换器在这些区域表现良好),双流模型优于单流模型的关键观点。
Feb, 2024
我们提出了一种基于 “专家混合” 的综合框架,以解决传统模型和机器学习方法在处理复杂系统时的准确性和解释性之间的平衡问题。通过数据驱动的融合多样化的本地模型,充分利用基于原则的先验知识,我们的解决方案支持专家的独立训练,并结合了机器学习和系统辨识技术,同时支持合作和竞争学习范式。为了增强解释性,我们对专家组合的突变进行了惩罚。实验结果验证了我们的方法的有效性,能够产生与目标现象紧密相似且可解释的模型组合。
Jan, 2024
Sign-Perturbed Sum (SPS) 是一种强大的有限样本系统辨识算法,可以为任何有限样本大小的真实数据生成系统构造具有确切覆盖概率的置信区间。本论文旨在填补这一研究空白,首次提供了关于 SPS 样本复杂度的结果,以及对于标量线性回归问题中 SPS 置信区间行为的研究,提供了基于三组不同假设条件的高概率上界,表明如果观测误差是亚高斯分布,那么 SPS 置信区间的大小将以几何速率收敛于真实参数,并且同样的界限适用于先前提出的置信区域外估计,最后,我们通过模拟实验证明了理论和经验的收敛速度。
Jan, 2024
为了在系统辨识中充分利用深度模型的建模能力,本研究提出了一种新的训练策略,仅在训练阶段使用深度模型。通过采用两个具有不同结构和目标的分离模型,第一个模型是目标为模拟系统输出分布的深度生成模型(教师模型),第二个模型是基于浅层基函数的模型(学生模型),通过系统输入来预测系统输出。通过使这两个模型学习的表示空间保持一致,使学生模型继承了教师模型的逼近能力。仿真结果在三个非线性基准测试上与应用于相同基准测试的深度架构相比表现出相似的性能。同时实现了算法透明性和结构效率作为副产品。
Dec, 2023
通过将一些储备态的组成部分反馈到网络中的输入端,我们可以显著改善给定回声状态网络的性能。我们严格证明,对于任何给定的回声状态网络,反馈几乎总是会提高输出的准确性。在三个代表不同问题类别的任务中,我们发现通过反馈,平均误差的度量减少了 30%-60%。引人注目的是,与将初始计算节点数量翻倍的计算昂贵且技术上具有挑战性的替代方案相比,反馈提供了至少与之相当的性能提升。这些结果证明了这种反馈方案的广泛适用性和实用性。
Dec, 2023
为了促进机器学习和系统识别社区之间的有效交流,本文旨在以系统辨识友好的方式介绍结构化状态空间模型(SSMs)。SSMs 近期在机器学习社区受到欢迎,因为它们可以高效可扩展地训练以解决极长序列分类和回归问题。此外,SSMs 还被视为学习深威纳模型的有效方法,从而将 SSMs 作为一种常用于系统辨识的模型类进行扩展。最后,本文总结了该主题的最新贡献并强调了未来的研究方向。
Dec, 2023