Fugu-MT 論文翻訳(概要): Modeling unknown dynamical systems with hidden parameters

論文の概要: Modeling unknown dynamical systems with hidden parameters

arxiv url: http://arxiv.org/abs/2202.01858v1
Date: Thu, 3 Feb 2022 21:34:58 GMT
ステータス: 処理完了
システム内更新日: 2022-02-08 02:47:18.949728
Title: Modeling unknown dynamical systems with hidden parameters
Title（参考訳）: 隠れパラメータを持つ未知の力学系のモデリング
Authors: Xiaohan Fu, Weize Mao, Lo-Bin Chang, Dongbin Xiu
Abstract要約: 本稿では,未知の力学系を未知/隠蔽パラメータでモデル化するためのデータ駆動数値手法を提案する。この方法は、その軌跡データを用いて未知系のディープニューラルネットワーク(DNN)モデルをトレーニングすることに基づいている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a data-driven numerical approach for modeling unknown dynamical systems with missing/hidden parameters. The method is based on training a deep neural network (DNN) model for the unknown system using its trajectory data. A key feature is that the unknown dynamical system contains system parameters that are completely hidden, in the sense that no information about the parameters is available through either the measurement trajectory data or our prior knowledge of the system. We demonstrate that by training a DNN using the trajectory data with sufficient time history, the resulting DNN model can accurately model the unknown dynamical system. For new initial conditions associated with new, and unknown, system parameters, the DNN model can produce accurate system predictions over longer time.
Abstract（参考訳）: 本稿では,未知の力学系を未知/隠れパラメータでモデル化するためのデータ駆動数値手法を提案する。この方法は、その軌道データを用いて未知系のディープニューラルネットワーク(DNN)モデルをトレーニングすることに基づいている。鍵となる特徴は、未知の力学系に完全に隠されたシステムパラメータが含まれており、パラメータに関する情報が計測軌跡データまたはシステムの事前の知識を通して入手できないことである。十分な時間履歴を持つ軌道データを用いてDNNを訓練することにより、DNNモデルが未知の力学系を正確にモデル化できることを実証する。新しい未知のシステムパラメータに関連する新しい初期条件に対して、DNNモデルはより長い時間にわたって正確なシステム予測を生成することができる。

関連論文リスト

Discovering Governing equations from Graph-Structured Data by Sparse Identification of Nonlinear Dynamical Systems [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGは、ネットワーク構造をスパースレグレッションに組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。
論文参考訳（メタデータ） (2024-09-02T17:51:37Z)
Modeling Unknown Stochastic Dynamical System Subject to External Excitation [4.357350642401934]
未知の非線形力学系を学習するための数値的手法を提案する。私たちの基本的な前提は、システムの統治方程式は利用できないということです。十分な量のI/Oデータが得られる場合,本手法は未知のダイナミクスを学習することができる。
論文参考訳（メタデータ） (2024-06-22T06:21:44Z)
Modeling Unknown Stochastic Dynamical System via Autoencoder [3.8769921482808116]
本稿では,未知の力学系に対する正確な予測モデルを軌道データから学習する数値的手法を提案する。オートエンコーダ(autoencoder)というアイデアを使って、観測されていない潜在確率変数を識別する。また、非ガウス雑音によって駆動されるシステムにも適用できる。
論文参考訳（メタデータ） (2023-12-15T18:19:22Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Deep Learning of Chaotic Systems from Partially-Observed Data [0.0]
完全あるいは部分的に観測されたデータを用いて未知の力学系を学習・モデル化するための一般的なデータ駆動数値フレームワークを開発した。本稿では,この枠組みをカオスシステム,特に有名なLorenz 63および96系に適用する。フローマップに基づくDNN学習法は,DNNが利用できる状態変数のサブセットのみであっても,カオスシステムを正確にモデル化できることを示す。
論文参考訳（メタデータ） (2022-05-12T00:18:06Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文参考訳（メタデータ） (2021-06-06T10:06:07Z)
Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文参考訳（メタデータ） (2021-03-23T09:32:06Z)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
論文参考訳（メタデータ） (2020-06-23T00:50:48Z)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。