論文の概要: Hybrid Neural Network Augmented Physics-based Models for Nonlinear
Filtering
- arxiv url: http://arxiv.org/abs/2204.06471v1
- Date: Wed, 13 Apr 2022 15:43:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 15:53:40.544848
- Title: Hybrid Neural Network Augmented Physics-based Models for Nonlinear
Filtering
- Title(参考訳): 非線形フィルタリングのためのハイブリッドニューラルネットワーク強化物理モデル
- Authors: Tales Imbiriba, Ahmet Demirkaya, Jind\v{r}ich Dun\'ik, Ond\v{r}ej
Straka, Deniz Erdo\u{g}mu\c{s}, Pau Closas
- Abstract要約: ベイズ非線形潜在空間推定のためのハイブリッドニューラルネットワーク拡張物理モデリングフレームワークを提案する。
本稿では,ニューラルネットワークによる全体モデルへのコントリビューション制御のための制約フィルタリング手法を提案する。
本手法の有効性を,非線形および不完全な測定・加速度モデルを用いた目標追跡シナリオを用いて実証する。
- 参考スコア(独自算出の注目度): 8.253442222027134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we present a hybrid neural network augmented physics-based
modeling (APBM) framework for Bayesian nonlinear latent space estimation. The
proposed APBM strategy allows for model adaptation when new operation
conditions come into play or the physics-based model is insufficient (or
incomplete) to properly describe the latent phenomenon. One advantage of the
APBMs and our estimation procedure is the capability of maintaining the
physical interpretability of estimated states. Furthermore, we propose a
constraint filtering approach to control the neural network contributions to
the overall model. We also exploit assumed density filtering techniques and
cubature integration rules to present a flexible estimation strategy that can
easily deal with nonlinear models and high-dimensional latent spaces. Finally,
we demonstrate the efficacy of our methodology by leveraging a target tracking
scenario with nonlinear and incomplete measurement and acceleration models,
respectively.
- Abstract(参考訳): 本稿では,ベイズ非線形潜在空間推定のためのハイブリッドニューラルネットワーク拡張物理モデリング(APBM)フレームワークを提案する。
提案したAPBM戦略は,新しい操作条件が成立するか,あるいは物理に基づくモデルが不十分(あるいは不完全)である場合のモデル適応を可能にする。
apbmsと推定手法の利点の一つは、推定状態の物理的解釈可能性を維持する能力である。
さらに,モデル全体に対するニューラルネットワークの寄与を制御するための制約フィルタリング手法を提案する。
また, 推定密度フィルタリング手法と立方体積分則を利用して, 非線形モデルや高次元潜在空間を容易に扱える柔軟な推定戦略を提案する。
最後に,非線形・不完全計測モデルと加速度モデルを用いて目標追跡シナリオを活用し,本手法の有効性を示す。
関連論文リスト
- Physics-Informed Machine Learning for Seismic Response Prediction OF
Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するためのディープニューラルネットワークに科学的原理と物理法則を取り入れている。
モデル順序の低減は、固有冗長性を持つ構造系の処理とモデル効率の向上に不可欠である。
運動方程式は系の非線形性を学ぶために操作され、物理的に解釈可能な結果の中で解空間を閉じる。
論文 参考訳(メタデータ) (2024-02-28T02:16:03Z) - 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) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Perimeter Control Using Deep Reinforcement Learning: A Model-free
Approach towards Homogeneous Flow Rate Optimization [28.851432612392436]
周辺制御は、交通密度が臨界値以下であることを保証するため、地域間の移動フローを制御することにより、保護領域内の交通効率を高く維持する。
既存のアプローチは、ネットワーク伝送モデル(NTM)とマクロ基礎図(MFD)に依存するかによって、モデルベースまたはモデルフリーに分類することができる。
論文 参考訳(メタデータ) (2023-05-29T21:22:08Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳(メタデータ) (2023-01-27T12:38:09Z) - Unifying Model-Based and Neural Network Feedforward: Physics-Guided
Neural Networks with Linear Autoregressive Dynamics [0.0]
本稿では,未知の非線形力学を補償するフィードフォワード制御フレームワークを開発する。
フィードフォワードコントローラは、物理モデルとニューラルネットワークの並列結合としてパラメータ化される。
論文 参考訳(メタデータ) (2022-09-26T08:01:28Z) - Physics-guided Deep Markov Models for Learning Nonlinear Dynamical
Systems with Uncertainty [6.151348127802708]
我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。
提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
論文 参考訳(メタデータ) (2021-10-16T16:35:12Z) - Nonlinear proper orthogonal decomposition for convection-dominated flows [0.0]
そこで本稿では,自動エンコーダと長期記憶ネットワークを組み合わせたエンドツーエンドのガレルキンフリーモデルを提案する。
我々の手法は精度を向上するだけでなく、トレーニングやテストの計算コストを大幅に削減する。
論文 参考訳(メタデータ) (2021-10-15T18:05:34Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。
我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。
従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
論文 参考訳(メタデータ) (2021-02-16T18:50:32Z)
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。