从回归地图中的图像学习动态系统参数的深度学习
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
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
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
流程图学习(FML)与深度神经网络(DNNs)相结合,已经展示出对未知动力系统的数据驱动建模的潜力。FML的一个显著特点是,在不存在精确的数学模型的情况下,它能够为部分观测到的系统产生准确的预测模型。本文概述了FML框架以及其成功实施的重要计算细节。我们还提供了一组明确定义的用于学习未知动力系统的基准问题。为了确保这些问题可以进行交叉验证并且结果可重现,所有这些问题的数值细节以及其FML的结果都已呈现出来。
Jul, 2023
利用Huber损失函数的神经网络来准确估计复杂非线性系统的参数,该方法通过训练神经网络使用带有噪声的时间序列数据,使其逐步收敛到准确的参数,并在阻尼振荡器、Van der Pol振荡器、Lotka-Volterra系统和Lorenz系统中验证了其准确性和鲁棒性。该方法展示了在非线性系统中发现复杂关系的多功能工具,并能够灵活应对噪声和不确定性。
Aug, 2023
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
本研究解决了从视频中提取物理动力系统参数的难题,克服了现有无监督技术的局限性,如长训练时间和不稳定性。通过引入基于KL散度的损失函数,提出了一种新方法,使得对已知连续控制方程的物理参数进行估计更加稳健,并减小了模型规模和计算量。
Oct, 2024