論文の概要: Nonlinear Discrete-time Systems' Identification without Persistence of
Excitation: A Finite-time Concurrent Learning
- arxiv url: http://arxiv.org/abs/2112.07765v1
- Date: Tue, 14 Dec 2021 22:19:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 17:25:37.400471
- Title: Nonlinear Discrete-time Systems' Identification without Persistence of
Excitation: A Finite-time Concurrent Learning
- Title(参考訳): 励起の持続性のない非線形離散時間系の同定:有限時間同時学習
- Authors: Farzaneh Tatari, Chiristos Panayiotou, Marios Polycarpou
- Abstract要約: 離散時間非線形系の不確かさを近似するために,有限時間同時学習法を提案する。
厳密な証明は、推定されたパラメータの最適値への有限時間収束を保証する。
- 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 deals with the problem of finite-time learning for unknown
discrete-time nonlinear systems' dynamics, without the requirement of the
persistence of excitation. A finite-time concurrent learning approach is
presented to approximate the uncertainties of the discrete-time nonlinear
systems in an on-line fashion by employing current data along with recorded
experienced data satisfying an easy-to-check rank condition on the richness of
the recorded data which is less restrictive in comparison with persistence of
excitation condition. Rigorous proofs guarantee the finite-time convergence of
the estimated parameters to their optimal values based on a discrete-time
Lyapunov analysis. Compared with the existing work in the literature,
simulation results illustrate that the proposed method can timely and precisely
approximate the uncertainties.
- Abstract(参考訳): 本稿では、励起の持続性を必要としない未知の離散時間非線形系の力学に対する有限時間学習の問題を扱う。
励起条件の持続性に比べて制約が少ない記録データのリッチ性に対して、簡易なランク付け条件を満たす記録経験データとともに、電流データを用いて、オンライン方式で離散時間非線形システムの不確かさを近似する有限時間同時学習手法を提案する。
厳密な証明は、離散時間リアプノフ解析に基づく推定パラメータの最適値への有限時間収束を保証する。
従来の文献と比較すると,提案手法が不確かさをタイムリーかつ正確に近似できることを示すシミュレーション結果が得られた。
関連論文リスト
- Gaussian process learning of nonlinear dynamics [0.0]
モデルパラメータのキャラクタリゼーションのベイズ推定により非線形力学を学習する手法を提案する。
本稿では,動的システムにおける2つの典型的なシナリオに対する提案手法の適用性について論じる。
論文 参考訳(メタデータ) (2023-12-19T14:27:26Z) - A projected nonlinear state-space model for forecasting time series
signals [0.6537685198688538]
本稿では,ノイズのある時系列データから非線形ダイナミクスを学習し,予測する高速アルゴリズムを提案する。
提案モデルの主な特徴は、投射線に適用されたカーネル関数であり、潜在力学における非線形性の高速な捕捉を可能にする。
論文 参考訳(メタデータ) (2023-11-22T09:05:37Z) - Probabilistic Learning of Multivariate Time Series with Temporal
Irregularity [25.91078012394032]
不均一な時間間隔やコンポーネントのミスアライメントを含む時間的不規則。
我々は,非ガウス的データ分布を非パラメトリック的に表現する条件フロー表現を開発する。
提案手法の広範な適用性と優位性は,実世界のデータセット上でのアブレーション研究とテストを通じて,既存のアプローチと比較することによって確認される。
論文 参考訳(メタデータ) (2023-06-15T14:08:48Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳(メタデータ) (2022-10-14T20:37:36Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Pessimistic Q-Learning for Offline Reinforcement Learning: Towards
Optimal Sample Complexity [51.476337785345436]
有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。
ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-02-28T15:39:36Z) - 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) - Concurrent Learning Based Tracking Control of Nonlinear Systems using
Gaussian Process [2.7930955543692817]
本稿では,パラメータ推定ツールとしての並列学習と,オンライン外乱学習における非パラメトリックガウス過程の適用性を示す。
制御法則は、フィードバック線形化の文脈において、両方の手法を逐次的に用いて開発される。
n階系の閉ループ系安定性はリャプノフ安定性定理を用いて証明される。
論文 参考訳(メタデータ) (2021-06-02T02:59:48Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳(メタデータ) (2021-01-16T17:11:02Z) - Learning Fast Approximations of Sparse Nonlinear Regression [50.00693981886832]
本研究では,Threshold Learned Iterative Shrinkage Algorithming (NLISTA)を導入することでギャップを埋める。
合成データを用いた実験は理論結果と相関し,その手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-10-26T11:31:08Z)
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。