Nov, 2023

基于物理信息的机器学习控制方法在高噪声测量下的非线性动态系统中的应用

PDF
TL;DR该研究提出了一种基于物理信息的机器学习控制方法，用于具有高噪声测量的非线性动态系统。结果表明，该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。
physics-informed machine learningnonlinear dynamic systemsnoisy measurementsmodel predictive controlhigh-noise conditions
发现论文，激发创造
  • 无模型的复杂动态轨迹跟踪控制与机器学习

    通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

    Sep, 2023

  • 基于数据驱动的具有几何约束的非线性物理系统的计算方法

    该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈密顿系统、双曲型偏微分方程和不可压缩流体动力学，我们的框架展示了四种算法。物理定律的内在结合保留了系统的内在对称性和守恒定律，确保了解的物理合理性和计算效率。这些先验的结合还提高了神经网络的表达能力，使其能够捕捉传统方法常常忽视的物理现象中的复杂模式。因此，尽管依赖于小数据集、短训练周期和小样本量，我们的模型在预测准确性、鲁棒性和预测能力方面优于现有的数据驱动技术，特别是识别训练集中缺失的特征。

    Jun, 2024

  • 含二次非线性控制系统的稳定认证学习

    本研究主要集中于一种操作器推理方法，旨在基于先验假设构建基于低维度动力学模型，这些假设通常基于已建立的物理学或专家见解。我们的主要目标是开发一种能够推断具有固有稳定性保证的二次控制动力学系统的方法。我们研究具有能量保持非线性的控制系统的稳定性特征，从而识别出这些系统在什么条件下是有界输入有界状态稳定的。随后，这些见解被应用于学习过程，从而产生设计上固有稳定的推断模型。我们通过几个数值示例来验证我们提出的框架的有效性。

    Mar, 2024

  • 基于多步神经网络的非线性动力系统数据驱动发现

    这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法，用于从数据中识别非线性动态系统，以此预测未来状态和识别吸引基。在多个基准问题中，论文证明了该方法的有效性，包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。

    Jan, 2018

  • 稳定非线性系统性能提升的学习

    通过将非线性系统的内部模型控制原理与最先进的无约束优化方法相结合，我们解决了数据驱动和深度学习方法提高性能的问题，同时保证闭环稳定性。我们的方法可以学习稳定非线性系统上任意深的神经网络控制器，即使优化过早停止，即使未知基准动态，也能保证 Lp 闭环稳定性。我们通过多个数值实验讨论了所提出控制方案的实施细节，包括分布式方案和对应的优化过程，并展示了通过自由塑造代价函数的潜力。

    May, 2024

  • 基于多目标物理引导循环神经网络的非自治动态系统识别

    本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

    Apr, 2022

  • 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

  • 快速非线性振动动力学的迭代学习控制（预印本）

    通过使用基于迭代学习控制（ILC），时滞相图（TLPP）和高斯过程回归（GPR）的迭代，轨迹优化和参数调整方法，我们开发了一种替代的主动控制系统，该方法可以控制系统的动力学，尽管控制器速度远慢于动力学的速度。我们在 Lorenz 方程组中演示了这个控制器，它通过迭代调整（调谐）系统的输入参数来成功复制所需的振荡轨迹或状态。此外，我们还研究了系统对其控制参数的动态敏感性，识别了期望动态轨迹的连续和有界区域，并证明了只要满足某些要求，控制器对于缺失信息和不可控参数具有鲁棒性。本文提出的控制器为各种快速非线性系统提供了低速控制的框架，可以帮助抑制和减轻不稳定性。

    May, 2024

  • 非线性系统的计算高效数据驱动发现与线性表示

    使用 Koopman 算子理论开发了一个基于数据驱动的框架，用于非线性系统的系统识别和线性化控制，采用递归学习的深度学习框架，并使用线性二次控制器对得到的线性系统进行控制。通过在噪声数据上进行仿真，我们展示了我们的方法相比自编码器基准更高效且更准确的训练结果。

    Sep, 2023

  • 具有时间步约束的动力学和信号噪声分解的深度学习

    本文提出了一种新的数据驱动建模范式，该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场，并在非均匀时间步长的数据中加入龙格 - 库塔积分器，以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力，并表明它对大量测量误差具有强鲁棒性。

    Aug, 2018