Dec, 2020

利用深层编码器网络进行非线性状态空间识别

PDF
TL;DR本文介绍了一种用于非线性动力系统状态空间识别的编码器方法，它通过将数据集拆分为多个独立部分来近似模拟误差，并使用前馈神经网络估计每个部分的初始状态，从而实现较高效的优化并在知名基准测试中取得了最优结果。
nonlinear dynamicsstate-space identificationoptimizationstochastic gradientfeed-forward neural network
发现论文，激发创造
  • 深度子空间编码连续时间动态状态空间模型识别

    本文提出了一种新的估计方法 SUBNET，通过使用编码器函数估计每个子节的初始状态以及新颖的状态导数归一化方法，可以高效地近似完整的模拟损失来有效地解决了连续时间的 NL-SS 模型识别问题。

    Apr, 2022

  • 一种基于子空间编码器方法的非线性状态空间识别初始化方法

    本文介绍了使用 Best Linear Approximation (BLA) 对子空间编码器方法进行初始化的方式，该方式在弱非线性系统中提高了模型质量，并且解决了训练过程中的收敛问题。

    Apr, 2023

  • 学习神经状态空间模型：是否需要状态估计器？

    本文对神经状态空间模型的系统识别算法的学习问题进行了深入的研究，探讨了初始状态估计的选择和作用，并在两个系统识别基准测试上进行了大量实验和分析，表明高级初始状态估计技术对于某些类型的动态系统需要实现高性能，而对于渐近稳定的系统，则基本过程，如零或随机初始化，已经具有竞争性能。

    Jun, 2022

  • 学习降维非线性状态空间模型：一种基于输出误差的规范方法

    本文提出了一种依赖于稀疏测量数据的深度学习方法，可以对非线性系统动力学行为进行建模和状态估计，并在多个测试数据集上验证了其有效性。

    Apr, 2022

  • 非线性动力系统中的潜在状态转变识别

    本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。

    Jun, 2024

  • 从图像像素中学习深度动态模型

    采用深度自动编码器和预测性转移模型相结合的方法，从像素信息中学习动态系统的良好预测模型。

    Oct, 2014

  • 利用自编码器对未知随机动态系统进行建模

    我们提出了一种数值方法，可以从轨迹数据中学习一个精确的预测模型，以预测未知随机动力系统。该方法使用自编码器的思想来识别未被观察的潜在随机变量，并通过深度神经网络来设计编码器和解码器，从而重建系统的未来状态。经过大量的数值示例验证，该方法能够使用短时间的轨迹数据产生长期的系统预测结果，并适用于非高斯噪声驱动的系统。

    Dec, 2023

  • 使用深度卷积自编码器对非线性流形上的动态系统进行模型简化

    介绍一种新的基于最小残差的方法，通过在时间连续和时间离散水平上使用非线性流形将动力系统投影到上，即流形 Galerkin 投影和流形 Petrov-Galerkin 投影，并提出了一个计算非线性流形的可行方法，该方法基于深度学习中的卷积自编码器。最后，演示了这种方法在反向控制问题上的比优对比结果。

    Dec, 2018

  • 分裂学习 meets Koopman 理论，用于无线远程监测与预测

    本文提出了一种使用自编码器和 Koopman 算子进行状态监测的方法，可以应用于从远程控制无人机到远程手术等 5G 以上应用。该方法可以减少远程监测的数据量，同时提高预测的精度。

    Apr, 2021

  • 使用受限自动编码器学习非线性投影用于动态系统的降阶建模

    最近开发的降阶建模技术旨在从数据中学习的低维流形上近似非线性动力系统。我们介绍了一种由约束的自动编码器神经网络描述的参数化非线性投影类，其中流形和投影纤维都是从数据中学习得到的。此外，我们还提出了一些新的动力学感知成本函数，以促进学习考虑快速动力学和非正常性的斜投影纤维。为了展示这些方法及其解决的特定挑战，我们提供了一个关于涡街现象的三状态模型的详细案例研究。同时，我们还提出了几种基于我们提出的非线性投影框架构建计算高效的降阶模型的技术。这包括一种用于避免计算 Grassmann 流形上有害的权重矩阵收缩的新型稀疏促进惩罚项的编码器。

    Jul, 2023