論文の概要: Continuous-time system identification with neural networks: Model structures and fitting criteria

• arxiv url: http://arxiv.org/abs/2006.02915v3
• Date: Tue, 31 Aug 2021 21:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 18:47:25.290446
• Title: Continuous-time system identification with neural networks: Model structures and fitting criteria
• Title（参考訳）: ニューラルネットワークを用いた連続時間システム同定:モデル構造と適合基準
• Authors: Marco Forgione, Dario Piga
• Abstract要約: 提案するフレームワークは、連続時間状態空間モデルの観点からのシステム動作の表現に基づいている。 アプローチの有効性は3つのケーススタディで実証された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents tailor-made neural model structures and two custom fitting criteria for learning dynamical systems. The proposed framework is based on a representation of the system behavior in terms of continuous-time state-space models. The sequence of hidden states is optimized along with the neural network parameters in order to minimize the difference between measured and estimated outputs, and at the same time to guarantee that the optimized state sequence is consistent with the estimated system dynamics. The effectiveness of the approach is demonstrated through three case studies, including two public system identification benchmarks based on experimental data.
• Abstract（参考訳）: 本稿では,動的システム学習のためのモデル構造と2つのカスタム適合基準について述べる。 提案するフレームワークは、連続時間状態空間モデルの観点からのシステム動作の表現に基づいている。 推定された出力と推定された出力の差を最小限に抑えるために、ニューラルネットワークパラメータと共に隠れた状態のシーケンスを最適化し、同時に、最適化された状態シーケンスが推定されたシステムのダイナミクスと一致することを保証する。 このアプローチの有効性は,実験データに基づく2つの公開システム識別ベンチマークを含む3つのケーススタディで実証された。

関連論文リスト

• Physics-informed Discovery of State Variables in Second-Order and Hamiltonian Systems [1.7406327893433848]
  本研究では, 2階ハミルトニアン系の物理特性を利用してベースラインモデルを制約する手法を提案する。 提案モデルでは,非冗長かつ解釈可能な状態変数の最小セットを特定することにより,ベースラインモデルよりも優れる。
  論文  参考訳（メタデータ） (2024-08-21T15:10:50Z)
• Delay Embedded Echo-State Network: A Predictor for Partially Observed Systems [0.0]
  エコー状態ネットワーク(ESN)と部分観測状態の時間遅延埋め込みを用いて部分観測の予測器を開発する。 提案手法は,Takenの埋め込み定理と非線形系の強い可観測性によって理論的に正当化される。
  論文  参考訳（メタデータ） (2022-11-11T04:13:55Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Learning to Assimilate in Chaotic Dynamical Systems [0.0]
  雑音観測のシーケンスから力学系における同化を学習するフレームワークであるアモーティズド・アシミレーションを導入する。 我々は、自己教師型認知から、微分可能シミュレーションを用いて動的システム設定まで、強力な結果を拡張することで、フレームワークのモチベーションを高める。
  論文  参考訳（メタデータ） (2021-11-01T16:07:34Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
  我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。 強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2021-07-06T17:59:49Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Constrained Block Nonlinear Neural Dynamical Models [1.3163098563588727]
  既知の優先度によって調整されたニューラルネットワークモジュールは、非線形ダイナミクスを持つシステムを表現するために効果的に訓練および結合することができる。 提案手法は,入力,状態,出力のダイナミクスを表現するニューラルネットワークブロックで構成され,ネットワーク重みとシステム変数に制約を課す。 3つの非線形システムのシステム識別タスクにおける提案アーキテクチャと学習手法の性能評価を行った。
  論文  参考訳（メタデータ） (2021-01-06T04:27:54Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)
• Data-Driven Verification under Signal Temporal Logic Constraints [0.0]
  力学が部分的に不明な不確実性のあるシステムを考える。 本研究の目的は,そのようなシステムの軌道による時間論理特性の満足度について研究することである。 本研究では, ベイズ推定手法を用いて, 信頼度と満足度を関連づける。
  論文  参考訳（メタデータ） (2020-05-08T08:32:30Z)

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。