Jul, 2023

合理神经网络控制器

PDF
TL;DR本文研究了使用合理神经网络控制理论，针对神经反馈环的鲁棒性问题，设计了合理激活函数，并构建了一个内在可凸性结构的合理神经网络，通过对 Sum of Squares 可行性测试进行优化，成功实现了对具有非线性噪声和参数不确定性植物的神经反馈环的稳定化控制
neural networkscontrol systemsrobustnessrational neural networkssum of squares
发现论文，激发创造
  • 神经网络优化控制：凸逼近方法

    本文介绍使用凸神经网络实现模型精确度和控制可行性之间的平衡，通过设计凸性的循环神经网络来捕获动态系统的时态行为，并且可以通过解决凸问题来实现最优控制器。实验结果表明，该方法在控制应用中具有良好的潜力。

    May, 2018

  • 神经网络策略中实施鲁棒控制保证

    通过将人工神经网络用于构建通用非线性控制策略并结合凸优化投影层，本论文提出了一种能在保持鲁棒性的同时提高控制系统的平均性能的技术，同时在非鲁棒的深度强化学习（deep RL）方法的最坏情况稳定性方面也有所提高。

    Nov, 2020

  • 利用反馈循环进行对抗训练

    该论文提出了一种基于控制理论的新型强化方法，它使用反馈控制构建了一种神经网络架构，通过训练来稳定系统输出，从而增强对抗攻击的防御能力。通过实验结果表明，该方法相比于现有技术在标准测试问题上具有更高的有效性。

    Aug, 2023

  • 理性神经网络

    本文探讨了神经网络中的有理激活函数，证明了有理神经网络比指数小的深度下的 ReLU 神经网络更高效地逼近光滑函数，并通过数值实验证明了有理激活函数的灵活性和平滑性使其成为 ReLU 的有吸引力的替代选择。

    Apr, 2020

  • 基于我们可以控制的人工神经网络

    通过系统分析方法如何确保人工神经网络（ANNs）的稳定性和效率？利用控制系统的知识可以分析其系统功能和模拟系统响应，该方法可以有助于优化器和学习系统的开发，特别是在识别对 ANNs 产生负面影响的组件时。

    Oct, 2023

  • 使用概念器实现循环神经网络的自适应控制

    本文展示了通过将网络的某些部分保持适应性，即使在训练之后，增强了其功能和稳健性，并且展示了适应性网络在插值、网络部分退化稳定化和输入扭曲鲁棒性方面的计算功能，同时强调了适应性网络在机器学习中的潜力，使其不仅能学习复杂模式，还能动态调整以适应不断变化的环境，从而扩大其适用范围。

    May, 2024

  • 1 范数鲁棒性的凸神经网络综合

    通过生成一个确保更稳健的神经网络的近似方法，来解决神经网络的准确性和稳健性之间的权衡关系。该方法是完全凸的，并将其作为半正定规划提出。将其应用于稳健化模型预测控制以验证结果，旨在介绍一种在神经网络准确性和稳健性之间权衡的方法。

    May, 2024

  • 神经网络控制器及其符号表示的令人担忧特性

    我们对简单强化学习基准问题中控制器的鲁棒性提出了关注。我们关注神经网络控制器及其低神经元和符号抽象。即使典型控制器达到较高的平均回报值，它仍会产生大量持续低回报的解，这是一种高度不受欢迎的特性，容易被对手利用。我们发现简单控制器容易产生更多持续的坏解。我们提供了一种系统鲁棒性研究算法，并使用计算辅助证明方法证明了持续解的存在以及在某些情况下的周期轨道。

    Jul, 2023

  • 通过闭环控制实现稳健神经网络

    本文提出一种通过闭环控制方法解决神经网络鲁棒性问题的方法，通过嵌入数据流形的几何信息和优化控制，以实现对各种数据干扰的鲁棒性，本方法为通过闭环控制提高神经网络鲁棒性的首次尝试。

    Feb, 2021

  • 神经李亚普诺夫控制

    本研究提出了一种新的方法来学习控制策略和非线性控制问题的神经网络李雅普诺夫函数，具有稳定性的可证明保障。该方法包括一个学习者和一个伪造器，通过快速引导学习者寻找控制和李雅普诺夫函数并寻找反例来终止程序，以保证控制的非线性系统的稳定性。该方法极大地简化了李雅普诺夫控制设计的过程，提供了端到端的正确性保证，并且可以获得比现有方法如 LQR 和 SOS/SDP 更大的吸引域范围。我们进行了实验，展示了新方法如何获得高质量的解决方案以应对具挑战性的控制问题。

    May, 2020