論文の概要: Unifying Theorems for Subspace Identification and Dynamic Mode
Decomposition
- arxiv url: http://arxiv.org/abs/2003.07410v1
- Date: Mon, 16 Mar 2020 19:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 03:58:21.728118
- Title: Unifying Theorems for Subspace Identification and Dynamic Mode
Decomposition
- Title(参考訳): 部分空間同定と動的モード分解のための統一定理
- Authors: Sungho Shin, Qiugang Lu, Victor M. Zavala
- Abstract要約: 本稿では,SID-DMDアルゴリズムを提案する。
我々は,映像データから直接動的モデルを構築することを目的としたケーススタディを用いて,その展開を実証する。
- 参考スコア(独自算出の注目度): 6.735657356113614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents unifying results for subspace identification (SID) and
dynamic mode decomposition (DMD) for autonomous dynamical systems. We observe
that SID seeks to solve an optimization problem to estimate an extended
observability matrix and a state sequence that minimizes the prediction error
for the state-space model. Moreover, we observe that DMD seeks to solve a
rank-constrained matrix regression problem that minimizes the prediction error
of an extended autoregressive model. We prove that existence conditions for
perfect (error-free) state-space and low-rank extended autoregressive models
are equivalent and that the SID and DMD optimization problems are equivalent.
We exploit these results to propose a SID-DMD algorithm that delivers a
provably optimal model and that is easy to implement. We demonstrate our
developments using a case study that aims to build dynamical models directly
from video data.
- Abstract(参考訳): 本稿では,自律力学系における部分空間識別(SID)と動的モード分解(DMD)の統一結果を提案する。
sidは拡張可観測性行列と状態空間モデルの予測誤差を最小化する状態系列を推定するために最適化問題を解こうとしている。
さらに,dmdは拡張自己回帰モデルの予測誤差を最小化する階数制約行列回帰問題を解こうとしている。
完全(エラーのない)状態空間と低ランク拡張自己回帰モデルの存在条件は等価であり、SIDおよびDMD最適化問題は等価であることを示す。
これらの結果を利用して、証明可能な最適モデルを提供し、実装が容易なSID-DMDアルゴリズムを提案する。
ビデオデータから直接動的モデルを構築することを目的としたケーススタディを用いて,我々の開発を実証する。
関連論文リスト
- Probabilistic Reduced-Dimensional Vector Autoregressive Modeling with
Oblique Projections [0.7614628596146602]
雑音データから低次元ダイナミクスを抽出する低次元ベクトル自己回帰モデルを提案する。
最適斜め分解は、予測誤差の共分散に関する最良の予測可能性のために導出される。
合成ロレンツシステムとイーストマンケミカルの工業プロセスのデータセットを用いて,提案手法の優れた性能と効率を実証した。
論文 参考訳(メタデータ) (2024-01-14T05:38:10Z) - Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル
GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。
本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-04-22T15:32:59Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳(メタデータ) (2022-12-05T19:40:17Z) - Data-driven Control of Agent-based Models: an Equation/Variable-free
Machine Learning Approach [0.0]
複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。
提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM))
創発力学の数値分岐解析を行うために方程式のない手法を用いる。
我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
論文 参考訳(メタデータ) (2022-07-12T18:16:22Z) - gLaSDI: Parametric Physics-informed Greedy Latent Space Dynamics
Identification [0.5249805590164902]
物理インフォームド・グレディ・ラテント・スペース・ダイナミクス同定法(gLa)を提案する。
インタラクティブなトレーニングアルゴリズムがオートエンコーダとローカルDIモデルに採用され、単純な潜在空間のダイナミクスを識別できる。
提案手法の有効性は, 様々な非線形力学問題をモデル化することによって実証される。
論文 参考訳(メタデータ) (2022-04-26T00:15:46Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Bagging, optimized dynamic mode decomposition (BOP-DMD) for robust,
stable forecasting with spatial and temporal uncertainty-quantification [2.741266294612776]
動的モード分解(DMD)は、時間的または時間的データのスナップショット上で、最適な線形力学モデルを学習するためのフレームワークを提供する。
DMDアルゴリズムの大多数は、力学のノイズ測定によるバイアスエラーを起こしやすいため、モデル適合性の低下と不安定な予測能力に繋がる。
最適化されたMDDアルゴリズムは、変数予測最適化によりモデルバイアスを最小限に抑え、安定化された予測能力をもたらす。
論文 参考訳(メタデータ) (2021-07-22T18:14:20Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。