論文の概要: Nonlinear state-space identification using deep encoder networks

• arxiv url: http://arxiv.org/abs/2012.07697v2
• Date: Wed, 28 Apr 2021 08:18:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 21:48:21.621637
• Title: Nonlinear state-space identification using deep encoder networks
• Title（参考訳）: ディープエンコーダネットワークを用いた非線形状態空間同定
• Authors: Gerben Beintema, Roland Toth and Maarten Schoukens
• Abstract要約: 本稿では,データセットを独立したセクションに分割することで,シミュレーション損失を近似する手法を提案する。 主な貢献は、各セクションの開始時に初期状態を推定するためのエンコーダ関数の導入である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonlinear state-space identification for dynamical systems is most often performed by minimizing the simulation error to reduce the effect of model errors. This optimization problem becomes computationally expensive for large datasets. Moreover, the problem is also strongly non-convex, often leading to sub-optimal parameter estimates. This paper introduces a method that approximates the simulation loss by splitting the data set into multiple independent sections similar to the multiple shooting method. This splitting operation allows for the use of stochastic gradient optimization methods which scale well with data set size and has a smoothing effect on the non-convex cost function. The main contribution of this paper is the introduction of an encoder function to estimate the initial state at the start of each section. The encoder function estimates the initial states using a feed-forward neural network starting from historical input and output samples. The efficiency and performance of the proposed state-space encoder method is illustrated on two well-known benchmarks where, for instance, the method achieves the lowest known simulation error on the Wiener--Hammerstein benchmark.
• Abstract（参考訳）: 力学系の非線形状態空間同定は、モデル誤差の影響を減らすためにシミュレーション誤差を最小化することで最もよく行われる。 この最適化問題は大規模データセットでは計算コストがかかる。 さらに、この問題は非凸性も強く、しばしば準最適パラメータ推定につながる。 本稿では,多重射法と同様の複数の独立した区間に分割してシミュレーション損失を近似する手法を提案する。 この分割操作は、データセットサイズによくスケールし、非凸コスト関数に平滑化効果を持つ確率的勾配最適化法の使用を可能にする。 本論文の主な貢献は,各セクションの開始時の初期状態を推定するエンコーダ関数の導入である。 エンコーダ関数は、履歴入力と出力サンプルから始まるフィードフォワードニューラルネットワークを用いて初期状態を推定する。 提案手法の効率と性能は,よく知られた2つのベンチマークで示され,例えば,wiener-hammersteinベンチマークにおいて最も低い既知のシミュレーション誤差を達成した。

関連論文リスト

• Efficient Prior Calibration From Indirect Data [5.588334720483076]
  本稿では,データから先行モデルを学習すること,特にノイズ観測プロセスを通じて得られた間接データの多元的実現から先行モデルを学習することに関心がある。 フォワードモデルの効率的な残差ベースニューラル演算子近似を提案し,これをプッシュフォワードマップと同時学習できることを示した。
  論文  参考訳（メタデータ） (2024-05-28T08:34:41Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Initialization Approach for Nonlinear State-Space Identification via the Subspace Encoder Approach [0.0]
  SUBNETは入力出力データから非線形状態空間モデルを特定するために開発された。 状態エンコーダ関数を導入し、過去の入力出力データから現在の状態を再構築する。 本稿では,Best Linear Approximation (BLA) を用いた部分空間エンコーダ手法の初期化に焦点を当てる。
  論文  参考訳（メタデータ） (2023-04-04T20:57:34Z)
• Deep Subspace Encoders for Nonlinear System Identification [0.0]
  そこで本稿では,状態推定にトラッピング予測損失とサブスペースエンコーダを用いる手法を提案する。 軽度条件下では,提案手法は局所的に一貫性があり,最適化安定性が向上し,データ効率が向上することを示す。
  論文  参考訳（メタデータ） (2022-10-26T16:04:38Z)
• Amortized Bayesian Inference of GISAXS Data with Normalizing Flows [0.10752246796855561]
  本稿では,変分オートエンコーダと正規化フローを組み合わせたシミュレーションに基づくフレームワークを提案し,パラメータの後方分布を推定する。 提案手法は,ABCと一貫した結果を生み出しながら,推定コストを桁違いに削減することを示した。
  論文  参考訳（メタデータ） (2022-10-04T12:09:57Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• 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)
• Manifold learning-based polynomial chaos expansions for high-dimensional surrogate models [0.0]
  システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。 提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
  論文  参考訳（メタデータ） (2021-07-21T00:24:15Z)
• Data-driven Weight Initialization with Sylvester Solvers [72.11163104763071]
  本稿では,ディープニューラルネットワークのパラメータを初期化するためのデータ駆動方式を提案する。 提案手法は,特にショットや微調整の設定において有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-02T07:33:16Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。