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
通过提出一种主动学习的方法,该方法不断进行轨迹规划,轨迹跟踪和重新估计系统,并展示了该方法以参数速率估计非线性动态系统,类似于标准线性回归的统计速率。
Jun, 2020
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。
Dec, 2020
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
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
在参数化系统识别中,准确实现具有有限复杂性的系统建模至关重要。本文通过针对深度结构状态空间模型中线性动力学模块的系统理论模型降阶技术来解决这一挑战。我们引入了两个正则化项,在训练损失中加入以改善模型降阶效果。通过模态 L1 和 Hankel 核范数正则化,我们促进了稀疏性,只保留相关状态而不损失准确性。所提出的正则化方法具有简约表示和由降阶模型带来的更快推断的优势。我们使用飞机的真实世界地面振动数据展示了所提出方法的有效性。
Mar, 2024
通过模型无关的机器学习框架和储水计算方法,实现对双臂机器人操纵器的跟踪控制,仅使用部分观测状态,并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。
Sep, 2023
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
本文提出了一种基于神经网络的深度主动学习框架,将其应用于非线性系统识别中,通过在不同输入空间区域中局部探索系统动力学,从而获得了覆盖更广泛输入空间的模拟数据集,并结合信息量测量和神经网络的预测方差等指标来实现最佳数据采集,相较于使用标准数据采集方法,本文所提出的方法在仿真数据的系统识别中表现更佳。
Feb, 2023