論文の概要: Learning Dynamical Systems using Local Stability Priors
- arxiv url: http://arxiv.org/abs/2008.10053v1
- Date: Sun, 23 Aug 2020 14:51:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 02:54:24.986083
- Title: Learning Dynamical Systems using Local Stability Priors
- Title(参考訳): 局所安定性プリエントを用いた学習力学系
- Authors: Arash Mehrjou, Andrea Iannelli, Bernhard Sch\"olkopf
- Abstract要約: ベクトル場と平衡点のアトラクション領域を同時に学習するための結合計算手法を提案する。
提案手法は,効率的なサンプリングが可能であり,アトラクション領域の内積近似における力学を正確に推定する。
- 参考スコア(独自算出の注目度): 13.374630635345214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A coupled computational approach to simultaneously learn a vector field and
the region of attraction of an equilibrium point from generated trajectories of
the system is proposed. The nonlinear identification leverages the local
stability information as a prior on the system, effectively endowing the
estimate with this important structural property. In addition, the knowledge of
the region of attraction plays an experiment design role by informing the
selection of initial conditions from which trajectories are generated and by
enabling the use of a Lyapunov function of the system as a regularization term.
Numerical results show that the proposed method allows efficient sampling and
provides an accurate estimate of the dynamics in an inner approximation of its
region of attraction.
- Abstract(参考訳): 系の生成軌道からベクトル場と平衡点のアトラクションの領域を同時に学習する計算手法を提案する。
非線形同定は、システムの先行として局所安定性情報を活用し、この重要な構造特性で推定を効果的に内挿する。
さらに、アトラクション領域の知識は、軌道が生成される初期条件の選択を知らせ、システムのリアプノフ関数を正規化項として使用できるようにすることで、実験設計の役割を担っている。
数値計算の結果,提案手法は効率的なサンプリングが可能であり,アトラクション領域内近似のダイナミクスを精度良く推定できることがわかった。
関連論文リスト
- Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。
主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文 参考訳(メタデータ) (2023-09-27T15:41:12Z) - Spectral learning of Bernoulli linear dynamical systems models [21.3534487101893]
本研究では,線形線形力学系モデルの高速かつ効率的なフィッティングのための学習法を開発した。
提案手法は,従来の部分空間同定手法をベルヌーイ設定に拡張する。
そこで本研究では,マウスの知覚決定タスクを実行することによって,実世界の環境を推定する手法を提案する。
論文 参考訳(メタデータ) (2023-03-03T16:29:12Z) - Ensemble Reservoir Computing for Dynamical Systems: Prediction of
Phase-Space Stable Region for Hadron Storage Rings [0.0]
Echo State Networks (ESN) は、計算に有効なリカレントニューラルネットワークのクラスである。
本研究では、位相空間安定性領域の予測に基づいて、ESNが到達した性能を示す。
提案手法は動的開口範囲の時間進化を効果的に予測できる。
論文 参考訳(メタデータ) (2023-01-17T10:29:07Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳(メタデータ) (2022-11-28T00:31:02Z) - Spherical Poisson Point Process Intensity Function Modeling and
Estimation with Measure Transport [0.20305676256390934]
球面上の非同次ポアソン過程強度関数をモデル化するための新しいアプローチを提案する。
このフレームワークの中心的な考え方は、球面上の関心の根底にある強度関数を、球面上のより単純な参照、強度関数に変換するフレキシブルな単射写像を構築し、推定することである。
論文 参考訳(メタデータ) (2022-01-24T06:46:22Z) - 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) - Deformable Linear Object Prediction Using Locally Linear Latent Dynamics [51.740998379872195]
変形可能な物体(例えばロープ)の予測は、その非線形ダイナミクスと無限次元の構成空間のために困難である。
我々は、将来の潜在状態を予測するのに使用できる局所線形なアクション条件付きダイナミクスモデルを学ぶ。
我々は,本手法が将来10段階まで正確にロープ状態を予測できることを実証的に実証した。
論文 参考訳(メタデータ) (2021-03-26T00:29:31Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Functional Space Analysis of Local GAN Convergence [26.985600125290908]
一般機能空間における対向訓練の局所的ダイナミクスについて検討する。
偏微分方程式の系としてどのように表現できるかを示す。
我々の視点では、GANの安定化によく使われる実践的なトリックについて、いくつかの洞察が得られている。
論文 参考訳(メタデータ) (2021-02-08T18:59:46Z) - Dissipative Deep Neural Dynamical Systems [0.9864260997723973]
ニューラルネットワークを点方向アフィンマップとして表現することで、局所線形演算子を露出する。
これにより、ニューラルネットワークの動作の“ブラックボックスのクラック”が可能になります。
これらの局所線型作用素の動的挙動と固有値スペクトルのばらつきを、様々な重み分解、活性化関数、バイアス項、深さで解析する。
論文 参考訳(メタデータ) (2020-11-26T23:13:16Z) - 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)
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。