Apr, 2024

细调和迁移学习的控制论方法

PDF
TL;DR通过引入 “遗忘无忘” 的概念，本文提出了一种迭代算法，通过投影控制函数 $u^*$ 到已学样本生成的末端映射的核上，实现在训练集扩展时保持先前学习样本的末端不变，并迭代学习新样本，从而为控制方法的可伸缩性做出了贡献。
training setcontrol systemtuning without forgettingiterative algorithmscalability
发现论文，激发创造
  • 面向参数变化系统的模型自适应强化学习控制中的样本高效迁移

    本文利用模型控制的思想解决了强化学习算法的样本效率问题，并通过四个基准实例验证了其性能。

    May, 2023

  • 学习外推和控制方程

    使用浅层神经网络的方法识别数据中的简明方程，并扩展可学习的方程类别以包括除法，并改进学习和模型选择策略以用于挑战性的真实数据。

    Jun, 2018

  • 用神经网络揭示控制工程师的技艺

    本文提出了一种直接基于数据驱动的控制器调整方法，利用数字孪生来产生输入 - 输出数据和适当的控制器，并使用先进的神经网络架构学习控制器调整规则，从而对控制器进行重新校准，将控制工程师的角色实际上用机器学习模型代替。

    Nov, 2023

  • 基于交叉熵深度学习的 PID 调参：一种李雅普诺夫稳定性分析

    研究论文提出了一种基于学习的自适应控制系统，使用交叉熵深度学习方法确定自适应参数，并通过实验和指标对其稳定性进行了研究。

    Apr, 2024

  • 时间序列中参数估计的同步和自适应控制应用

    本文介绍了一种通过非线性动力系统中单变量时间序列来估计未知参数的技术，该技术采用两种不同的控制方法，线性反馈和自适应控制，可以即使当未知参数出现在除所给的时间序列之外的其他变量的演化方程式中时也能工作。本技术不仅确认了关于所有系统变量和参数的显式详细信息都包含在一个标量时间序列中，而且还提供了在适当条件下提取出这些信息的方法。最后，本文给出了实例并研究了噪声的影响。

    Mar, 1998

  • 通过调整输入空间来使用预训练的骨干网络进行持续学习

    本文提出了一种用于解决深度学习模型在不稳定环境下适应性差的问题的新方法，通过避免更新网络的预训练部分，同时学习一组新的可学习参数来改善细调过程的效果，以使网络在保证适应性和稳定性之间达到平衡，得到了不错的实验结果，适用于实时场景下的持续学习问题。

    Jun, 2023

  • 学习针对重复操作系统的个性化最优控制

    此研究讨论在参数不确定性的情况下，以在线学习的方法针对连续操作系统进行最优控制，在考虑随机性因素的情况下，设计了一种能够个性化控制输入的智能体，并在模拟系统上验证了算法的有效性。

    Sep, 2016

  • 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

  • 粗粒度识别下鲁棒控制的非渐进分析

    探讨了在粗略的近似下能够准确构建动态系统模型所需的样本数量与各种控制目标因性能降低而产生的权衡，给出了稳定线性时不变系统的噪声输入 / 输出样本数的上限，证明了这些需求低于先前旨在准确识别动态模型的需求，并阐述了不同物理输入约束如何影响样本复杂性，最后展示了分析如何适用于强健控制的已建立框架，证明了设计用于近似系统的控制器能够满足真实系统的性能目标。

    Jul, 2017

  • 使用收缩度量学习认证控制

    本文提出了一种基于神经网络的学习框架，利用控制收缩度量的先进理论来设计证明控制策略，使机器人在任何初始状态和有界干扰下都能按预定轨迹移动，实现安全的运动规划，并验证了其收敛性和误差保证。实验表明，该方法可以处理更广泛的系统，具有更少的跟踪误差和更快的执行速度。

    Nov, 2020