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
- Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。
本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
論文 参考訳（メタデータ） (2024-10-21T15:34:44Z) - Learning Unstable Continuous-Time Stochastic Linear Control Systems [0.0]
有限長状態軌跡に基づく連続時間力学におけるシステム同定の問題について検討する。
適切なランダム化制御入力を用いて不安定なオープンループ行列を推定する手法を提案する。
我々は,推定誤差が軌道長,励起率,信号対雑音比で減衰することを示す理論的性能保証を確立する。
論文 参考訳（メタデータ） (2024-09-17T16:24:51Z) - 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) - Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。
鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文 参考訳（メタデータ） (2023-05-24T20:43:47Z) - 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) - 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。