Nov, 2023

受控约束的深度网络模型用于增强动态系统的控制

PDF
TL;DR不需了解动力学的情况下控制动态系统是一项重要且具有挑战性的任务。我们提出了一种控制理论方法，通过加入可控性约束来增强数据估计的模型，从而实现从数据中提取更有效的控制器。该方法展示了基于深度神经网络的模型估计与解决方案性质的控制理论保证之间的联系，并在两个标准经典控制系统中证明了其优势。
发现论文，激发创造
  • 动态系统中深度神经网络在线自适应的控制理论技术

    利用控制论技术，通过在线适应法更新深度神经网络参数，控制域偏移以及解决稳定性和迁移学习问题，提高深度神经网络基于学习的系统的性能和保证。

    Feb, 2024

  • 深度学习理论综述：最优控制与动态系统视角

    本文基于动态系统和最优控制的视角， 将现有的深度学习理论框架进行整合， 并用随机动态的优化算法作为控制器，为超参数调整提供了一个基于原则的方法。

    Aug, 2019

  • 基于稀疏神经动力学的模型控制

    使用深度神经网络从观测中学习预测模型是解决现实世界规划和控制问题的一种有前景的新方法。本文提出了一个新的集成模型学习和预测控制框架，通过逐渐稀疏化神经网络以有效优化算法进行端到端的优化，从而在保证预测准确性的基础上取得更好的闭环控制性能。

    Dec, 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

  • 受限经验风险最小化：理论与实践

    提出了一种框架，允许在广泛使用的深度神经网络中严格执行约束条件，其中约束通过限制 DNN 参数的子流形来确切满足。该框架的一个示例是将卷积神经网络（CNN）的滤波器限制为小波，并将这些小波网络应用于医学领域的轮廓预测任务。

    Feb, 2023

  • 深度神经网络的插值、逼近和可控性

    我们通过控制理论研究将深层残差神经网络作为连续动力系统的表达能力。具体而言，我们考虑从监督学习中产生的两个特性，即通用插值 - 能够匹配任意输入和目标训练样本，以及紧密相关的通用逼近 - 能够通过流映射逼近输入 - 目标函数关系。在控制结构变换族具有仿射不变性的假设下，我们给出了通用插值的表征，证明了非线性网络结构基本上都具备这一特性。此外，我们阐明了通用插值和通用逼近在一般控制系统背景下的关系，证明了这两个特性不能从彼此推导出来。同时，我们确定了控制结构和目标函数的条件，确保了这两个概念的等价性。

    Sep, 2023

  • 基于结构化深度神经网络的拉格朗日系统反馈轨迹跟踪控制

    本研究提出了一种基于深度神经网络的控制器，用于拉格朗日系统的轨迹跟踪控制，并通过适当设计神经网络结构来确保任何兼容的神经网络参数下的闭环稳定性，进一步优化神经网络参数可实现改进的控制性能。同时，在系统模型未知的情况下，通过改进的拉格朗日神经网络结构学习系统动力学并设计控制器，在模型逼近误差和外部干扰存在时仍可保证闭环稳定性和跟踪控制性能，并通过仿真验证了该方法的有效性。

    Mar, 2024

  • 随机控制问题的深度学习逼近

    通过蒙特卡洛采样的深度学习方法，将高维随机控制问题的时间依赖控制近似为前馈神经网络，用作控制问题的目标函数，经测试，该方法可以处理高维度问题并且具有令人满意的准确性。

    Nov, 2016

  • 学习准确可线性化的深度动力学模型

    基于机器学习方法的控制研究现已过渡到实际工程阶段。本文提出了一种学习方法，用于确保系统的稳定性、可靠性等方面，为各种控制理论提供了高度的自由度，以实现高性能和理论上的安全性。通过将简单线性控制与控制屏障函数相结合，展示了一个设计示例，并将其应用于汽车发动机的实时控制，实验结果表明具有良好的预测性能和稳定的控制能力。

    Nov, 2023

  • 深度学习作为最优控制问题：模型与数值方法

    本文探讨了深度学习神经网络作为最优控制问题的离散化，提出了一类算法来解决离散最优控制问题，并探讨了在时间离散化方面的延伸。

    Apr, 2019