論文の概要: On the sample complexity of stabilizing linear dynamical systems from data

• arxiv url: http://arxiv.org/abs/2203.00474v1
• Date: Mon, 28 Feb 2022 16:25:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 15:57:01.340790
• Title: On the sample complexity of stabilizing linear dynamical systems from data
• Title（参考訳）: データの安定化線形力学系のサンプル複雑性について
• Authors: Steffen W. R. Werner, Benjamin Peherstorfer
• Abstract要約: この研究は、線型力学系が次元(McMillan次数)$n$を持つ場合、安定化フィードバックコントローラを構築することができる状態から常に$n$が存在することを示す。 この発見は、任意の線形力学系が、力学のモデルを学ぶのに必要な最小の状態よりも少ない観測状態から安定化できることを示唆している。
• 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: Learning controllers from data for stabilizing dynamical systems typically follows a two step process of first identifying a model and then constructing a controller based on the identified model. However, learning models means identifying generic descriptions of the dynamics of systems, which can require large amounts of data and extracting information that are unnecessary for the specific task of stabilization. The contribution of this work is to show that if a linear dynamical system has dimension (McMillan degree) $n$, then there always exist $n$ states from which a stabilizing feedback controller can be constructed, independent of the dimension of the representation of the observed states and the number of inputs. By building on previous work, this finding implies that any linear dynamical system can be stabilized from fewer observed states than the minimal number of states required for learning a model of the dynamics. The theoretical findings are demonstrated with numerical experiments that show the stabilization of the flow behind a cylinder from less data than necessary for learning a model.
• Abstract（参考訳）: 動的システムの安定化のためのデータからコントローラを学習することは、通常、まずモデルを識別し、次に同定されたモデルに基づいてコントローラを構築する2段階のプロセスに従う。 しかし、学習モデルは、大量のデータを必要とし、特定の安定化作業に不要な情報を抽出できるシステムのダイナミクスの一般的な記述を識別することを意味する。 この研究の貢献は、線型力学系が次元 (mcmillan degree) $n$ を持つならば、観測状態の表現の次元と入力の数とは無関係に、安定化フィードバックコントローラを構築できる、常に n$ 状態が存在することを示すことである。 この発見は、全ての線形力学系が、力学のモデルを学ぶのに必要な最小の状態数よりも少ない観測状態から安定化できることを示すものである。 モデル学習に必要なデータよりも少ないデータからシリンダー後方の流れの安定化を示す数値実験により理論的知見が得られた。

関連論文リスト

• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Data-Driven Control with Inherent Lyapunov Stability [3.695480271934742]
  本研究では,非線形力学モデルと安定化制御器のパラメトリック表現をデータから共同学習する手法として,インヒーレント・リャプノフ安定度制御(CoILS)を提案する。 新たな構成によって保証される学習力学の安定化性に加えて、学習した制御器は学習力学の忠実性に関する特定の仮定の下で真の力学を安定化することを示す。
  論文  参考訳（メタデータ） (2023-03-06T14:21:42Z)
• Stability Preserving Data-driven Models With Latent Dynamics [0.0]
  本稿では,潜在変数を用いた動的問題に対するデータ駆動型モデリング手法を提案する。 本稿では,結合力学の安定性を容易に適用できるモデルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-20T00:41:10Z)
• 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)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• Learning Unstable Dynamics with One Minute of Data: A Differentiation-based Gaussian Process Approach [47.045588297201434]
  ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。 9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
  論文  参考訳（メタデータ） (2021-03-08T05:08:47Z)
• Beyond Occam's Razor in System Identification: Double-Descent when Modeling Dynamics [0.0]
  システム識別は、データから動的システムのモデルを構築することを目的とする。 モデル検証性能はモデル複雑性が増加するにつれてU字型曲線に従うことが典型的に観察される。 機械学習と統計学の最近の進歩は、このu字型モデルパフォーマンス曲線を「二重線」曲線が乗じる状況を観察している。
  論文  参考訳（メタデータ） (2020-12-11T13:34:56Z)
• 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)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。