Fugu-MT 論文翻訳(概要): Online system identification in a Duffing oscillator by free energy minimisation

論文の概要: Online system identification in a Duffing oscillator by free energy minimisation

arxiv url: http://arxiv.org/abs/2009.00845v1
Date: Wed, 2 Sep 2020 06:51:56 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 18:17:59.260284
Title: Online system identification in a Duffing oscillator by free energy minimisation
Title（参考訳）: 自由エネルギー最小化によるダッフィング発振器のオンラインシステム同定
Authors: Wouter M Kouw
Abstract要約: オンラインシステム識別は、動的システムのパラメータを推定するために用いられる。提案手法は、最先端非線形モデルにおいて、オフライン予測誤差の最小化と同様に動作する。
参考スコア（独自算出の注目度）: 7.1577508803778045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Online system identification is the estimation of parameters of a dynamical system, such as mass or friction coefficients, for each measurement of the input and output signals. Here, the nonlinear stochastic differential equation of a Duffing oscillator is cast to a generative model and dynamical parameters are inferred using variational message passing on a factor graph of the model. The approach is validated with an experiment on data from an electronic implementation of a Duffing oscillator. The proposed inference procedure performs as well as offline prediction error minimisation in a state-of-the-art nonlinear model.
Abstract（参考訳）: オンラインシステム同定は、入力信号と出力信号の測定毎に、質量や摩擦係数などの力学系のパラメータを推定するものである。ここでは、ダッフィング発振器の非線形確率微分方程式を生成モデルにキャストし、モデルの因子グラフ上の変分メッセージパッシングを用いて動的パラメータを推定する。このアプローチは、ダフィング発振器の電子実装によるデータに関する実験によって検証される。提案手法は,最先端非線形モデルにおいてオフライン予測誤差を最小化する。

関連論文リスト

Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文参考訳（メタデータ） (2024-10-02T23:00:00Z)
A method for identifying causality in the response of nonlinear dynamical systems [0.0]
データ駆動モデルを構築するには、システムの入力と出力を実験的に測定する必要がある。モデル内の不正確さがエラーやノイズのモデル化に起因するかどうかを判断することは困難である。本稿では,入力出力データの因果成分を,出力雑音の存在下でのシステム計測から同定する手法を提案する。
論文参考訳（メタデータ） (2024-09-26T14:19:07Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
論文参考訳（メタデータ） (2023-01-30T06:27:48Z)
Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文参考訳（メタデータ） (2022-10-12T06:46:38Z)
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)
A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-01-29T23:31:25Z)
Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文参考訳（メタデータ） (2021-12-29T23:37:06Z)
Coarse-Grained Nonlinear System Identification [0.0]
本稿では,ボルテラ級数展開に基づく非線形系力学の効率的で普遍的なパラメータ化である粗粒度ダイナミクスを紹介する。簡単な合成問題に対して,本手法の特性を実証する。また, 実験データの1秒未満で, タングステンフィラメントのダイナミックスに対して, 非線形電圧の正確なモデルを特定することを実証した。
論文参考訳（メタデータ） (2020-10-14T06:45:51Z)
Derivative-Based Koopman Operators for Real-Time Control of Robotic Systems [14.211417879279075]
本稿では, モデル誤差を拘束する非線形力学をデータ駆動で同定するための一般化可能な手法を提案する。クープマン演算子に基づく線形表現を構築し,テイラー級数精度解析を用いて誤差境界を導出する。制御と組み合わせると、非線形系のクープマン表現は競合する非線形モデリング法よりも極端に優れた性能を持つ。
論文参考訳（メタデータ） (2020-10-12T15:15:13Z)
Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
論文参考訳（メタデータ） (2020-04-15T00:51:14Z)

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。