Apr, 2023

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

PDF
TL;DR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。
neural networkstate-space modelsparameterizedtraining processmodel quality
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

  • 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

  • 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

  • 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

  • 稳定线性子空间识别：一种机器学习方法

    SIMBa 是一种使用反向传播的离散线性多步提前状态空间系统辨识方法家族，它通过引入 Schur 矩阵的基于线性矩阵不等式的自由参数化来确保辨识模型的稳定性。SIMBa 通常胜过传统线性状态空间辨识方法，并能在同时实现最先进的拟合性能和稳定性的情况下，承担更高的计算负担。

    Nov, 2023

  • 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

  • 深度子空间聚类网络

    本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。

    Sep, 2017

  • 非线性状态空间模型的结构化推理网络

    本研究提出了一种统一算法，以高效学习一类广泛的线性和非线性状态空间模型为主，包括由深度神经网络建模的发射和转移分布，使用结构化变分逼近参数化的循环神经网络来模拟后验分布，同时学习编译的推理网络和生成模型。通过应用于合成和真实数据集，本算法展现了其可扩展性和通用性，并发现使用结构化的后验近似会导致具有显著更高留存的可能性的模型。

    Sep, 2016

  • 学习自表示网络进行子空间聚类

    本文提出了一种名为 Self-Expressive Network (SENet) 的新型子空间聚类框架，该框架采用一个设计良好的神经网络来学习数据的自表达表示，该框架不仅可以在训练数据上学习自表达系数，还可以处理外样本数据和大规模的数据集，通过实验验证其在 MNIST、Fashion MNIST、Extended MNIST 和 CIFAR-10 上有效。

    Oct, 2021

  • 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