Dec, 2023
利用深度网络在训练阶段仅针对非线性黑盒系统识别的能力
Exploiting the capacity of deep networks only at training stage for nonlinear black-box system identification
Vahid MohammadZadeh Eivaghi, Mahdi Aliyari Shooredeli
TL;DR为了在系统辨识中充分利用深度模型的建模能力，本研究提出了一种新的训练策略，仅在训练阶段使用深度模型。通过采用两个具有不同结构和目标的分离模型，第一个模型是目标为模拟系统输出分布的深度生成模型（教师模型），第二个模型是基于浅层基函数的模型（学生模型），通过系统输入来预测系统输出。通过使这两个模型学习的表示空间保持一致，使学生模型继承了教师模型的逼近能力。仿真结果在三个非线性基准测试上与应用于相同基准测试的深度架构相比表现出相似的性能。同时实现了算法透明性和结构效率作为副产品。