論文の概要: Coarse-Grained Nonlinear System Identification
- arxiv url: http://arxiv.org/abs/2010.06830v1
- Date: Wed, 14 Oct 2020 06:45:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 14:41:43.253360
- Title: Coarse-Grained Nonlinear System Identification
- Title（参考訳）: 粗粒非線形システム同定
- Authors: Span Spanbauer, Ian Hunter
- Abstract要約: 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。
- 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: We introduce Coarse-Grained Nonlinear Dynamics, an efficient and universal
parameterization of nonlinear system dynamics based on the Volterra series
expansion. These models require a number of parameters only quasilinear in the
system's memory regardless of the order at which the Volterra expansion is
truncated; this is a superpolynomial reduction in the number of parameters as
the order becomes large. This efficient parameterization is achieved by
coarse-graining parts of the system dynamics that depend on the product of
temporally distant input samples; this is conceptually similar to the
coarse-graining that the fast multipole method uses to achieve $\mathcal{O}(n)$
simulation of n-body dynamics. Our efficient parameterization of nonlinear
dynamics can be used for regularization, leading to Coarse-Grained Nonlinear
System Identification, a technique which requires very little experimental data
to identify accurate nonlinear dynamic models. We demonstrate the properties of
this approach on a simple synthetic problem. We also demonstrate this approach
experimentally, showing that it identifies an accurate model of the nonlinear
voltage to luminosity dynamics of a tungsten filament with less than a second
of experimental data.
- Abstract（参考訳）: 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良く普遍的なパラメータ化である粗粒状非線形力学を紹介する。
これらのモデルは、ボルテラ展開が切断される順序に関わらず、システムのメモリ内でのみ準線形なパラメータを必要とする。
この効率的なパラメータ化は、時間的に離れた入力サンプルの積に依存するシステムダイナミクスの粗粒化部分によって達成される;これは概念的には、高速多重極法が n-体ダイナミクスの$\mathcal{o}(n)$ のシミュレーションに使用する粗粒化と似ている。
我々の非線形力学の効率的なパラメータ化は正則化に利用することができ、正確な非線形力学モデルを特定するために非常に実験的なデータを必要とする粗粒非線形系同定に繋がる。
我々は,このアプローチの特性を単純な合成問題で示す。
また, この手法を実験的に検証した結果, タングステンフィラメントの光度ダイナミクスに対する非線形電圧の正確なモデルが実験データの1秒未満で同定された。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - ADAM-SINDy: An Efficient Optimization Framework for Parameterized Nonlinear Dynamical System Identification [0.0]
本稿では,ADAM-SINDyと呼ばれるSINDyフレームワークの新たな手法を提案する。
ADAM-SINDyはADAM最適化アルゴリズムを用いて確立されたアプローチの強みを合成する。
その結果、パラメータ化力学系を同定する際の大幅な改善が示された。
論文 参考訳（メタデータ） (2024-10-21T21:36:17Z) - 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) - Data-driven Nonlinear Parametric Model Order Reduction Framework using
Deep Hierarchical Variational Autoencoder [5.521324490427243]
深層ニューラルネットワークを用いたデータ駆動パラメトリックモデルオーダー削減(MOR)手法を提案する。
LSH-VAEは、非線形力学系のパラメトリックに対して、かなりの数の自由度で非線形MORを実行することができる。
論文 参考訳（メタデータ） (2023-07-10T02:44:53Z) - 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) - 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) - Learning Nonlinear Waves in Plasmon-induced Transparency [0.0]
プラズモン誘起透過性メタマテリアルシステムにおける非線形ソリトンの複雑な伝播を予測するためのリカレントニューラルネットワーク(RNN)アプローチを検討する。
我々は,長期記憶(LSTM)人工ニューラルネットワークによるシミュレーションと予測において,結果の顕著な一致を証明した。
論文 参考訳（メタデータ） (2021-07-31T21:21:44Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳（メタデータ） (2020-12-12T00:01:10Z) - Online system identification in a Duffing oscillator by free energy
minimisation [7.1577508803778045]
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。
論文 参考訳（メタデータ） (2020-09-02T06:51:56Z)
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。