Nov, 2023

输入凸 LSTM: 一种基于凸优化的快速 Lyapunov 模型预测控制方法

PDF
TL;DR该研究基于输入凸神经网络（ICNN），提出了一种用于基于 Lyapunov 的 MPC 的新型输入凸 LSTM，旨在减少收敛时间、缓解梯度消失问题并确保闭环稳定性。模拟非线性化学反应器实验结果显示，相对于基准普通循环神经网络、普通 LSTM 和输入凸循环神经网络，梯度消失问题减轻并且收敛时间分别降低了 46.7%、31.3% 和 20.2%。
发现论文，激发创造
  • 输入凸型 Lipschitz 循环神经网络：一种高效稳健的工程任务方法

    通过结合凸特性和 Lipschitz 连续性，开发了一种名为 Input Convex Lipschitz Recurrent Neural Network 的新型网络架构，该模型在计算效率和对抗鲁棒性方面胜过现有的循环单元，适用于多种工程任务，包括图像分类、太阳能预测和实时模型预测控制优化。

    Jan, 2024

  • 输入凸神经网络

    本文介绍了输入凸性神经网络的架构和方法，通过网络参数的约束使得神经网络输出成为输入的凸函数，实现了高效的推理、优化和学习，在多标签预测、图像完成和强化学习等方面具有更好的性能表现。

    Sep, 2016

  • 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

  • 凸神经网络的奇特案例

    本文研究基于凸性的神经网络架构和其对泛化能力和过度拟合的影响，限制权重为非负并使用非递减凸激活函数可以让神经网络自我正则化，克服过度拟合问题，提高性能在图像分类方面的实验表明了这种方法的有效性。

    Jun, 2020

  • 非线性深度神经网络建模的高效模型预测控制

    该研究论文提出了一种用于动态系统的模型预测控制（MPC）方法，该方法利用深度神经网络（NNs）对系统的非线性和不确定性进行建模，并提出了两种用于解决 MPC 问题的方法：混合整数规划（MIP）方法和线性松弛（LR）方法。进行了广泛的数值模拟来演示和比较 MIP 和 LR 方法的性能。

    May, 2024

  • ICLN：面向决策聚焦学习的输入凸损失网络

    在决策问题中，通过学习预测模型与优化相结合可以提供更好的决策，本文提出了一种全局代理损失函数 ICLN，通过 Input Convex Neural Networks 学习任务损失，并在保持全局结构的同时适用于通用 DFL 框架。

    Mar, 2024

  • 深度神经网络模型预测控制框架介绍及快速控制器实现

    基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

    Oct, 2023

  • 具有局部收敛输入的神经网络（NNLCI）用于非结构网格中的超声速流问题

    利用局部收敛输入开发了一种神经网络模型（NNLCI）来高保真预测使用非结构化数据的问题，应用于考察凸起通道中无粘跨音速流动的不同凸起几何结构和位置对流动结构的影响进行系统化研究。

    Oct, 2023

  • 可证收敛的数据驱动凸非凸正则化

    深度学习在逆问题求解中的新兴范式通过从数据中学习正则化器实现高质量结果，但往往无法提供可证明的保证。本文通过凸非凸（CNC）框架展示了良好的可解性和收敛正则化，引入了一种新颖的输入弱凸性神经网络（IWCNN）构建方法，将学得的对抗正则化方法适应于 CNC 框架。通过实证分析表明我们的方法克服了先前对抗方法的数值问题。

    Oct, 2023

  • 输入凸神经网络的基本权重初始化

    输入凸性神经网络（ICNN）是能够保证输入 - 输出映射凸性的网络。本文通过对非负权重层的信号传播研究，推导出一种基于原理的 ICNN 权重初始化方法，实验证明这种初始方法有效加速了 ICNN 的学习和提高了泛化性能。此外，ICNN 还被应用于药物发现任务，可以更有效地进行分子潜在空间的探索。

    Dec, 2023