Jun, 2022

学习神经状态空间模型：是否需要状态估计器？

PDF
TL;DR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。
system identificationneural state-space modelscomputational complexitytraining algorithmsinitial state estimation
发现论文，激发创造
  • 利用深层编码器网络进行非线性状态空间识别

    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

  • 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

  • 神经状态空间模型：不确定性量化的实证评估

    本研究应用 Bayesian 概率框架和近似推理技术，对神经状态空间模型进行不确定性量化，得出模型输出的可信区间和惊奇指数，以有效诊断模型在潜在危险的分布区域内的使用可能性。

    Apr, 2023

  • 高斯过程状态空间模型的识别

    本文介绍了 Gaussian 过程状态空间模型，并探讨最大的挑战 —— 系统识别，提出了基于双向循环神经网络的结构化高斯变分后验分布来处理推断问题，并使用重参数化技巧有效计算边缘似然的下界，可以在观察到真实系统的少量数据后生成可信赖的未来轨迹。

    May, 2017

  • 结构化状态空间模型是深层 Wiener 模型

    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

  • 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

  • 操纵变形线性物体的状态估计自监督学习

    本文提出了一种基于状态空间表示和自我监督训练技术的视觉机器人操作方法，通过估计可变形物体状态、训练神经网络动力学模型以及采用模型预测控制器，实现高效而准确的物体操纵。

    Nov, 2019

  • 变分高斯过程状态空间模型

    该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

    Jun, 2014

  • 利用神经网络进行连续时间系统辨识：模型结构和拟合标准

    本文提出了一种基于状态空间模型的、定制化神经模型结构及两种自定义拟合标准，通过优化隐藏状态与神经网络参数以最小化测量输出和估计输出之间的差异，同时保证优化状态序列与估计系统动态一致，从而证明了该方法的有效性，进而在三个案例研究中应用于系统辨识基准测试。

    Jun, 2020

  • 具有保证的非线性系统辨识的主动学习

    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