論文の概要: Learning Robust State Observers using Neural ODEs (longer version)

• arxiv url: http://arxiv.org/abs/2212.00866v2
• Date: Wed, 17 May 2023 14:16:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 20:36:40.926127
• Title: Learning Robust State Observers using Neural ODEs (longer version)
• Title（参考訳）: ニューラルネットワークによるロバスト状態オブザーバの学習(より長いバージョン)
• Authors: Keyan Miao and Konstantinos Gatsis
• Abstract要約: 本稿では、ニューラルODEに基づく非線形システムのための状態オブザーバの設計手法、Luenbergerのようなオブザーバの学習とその非線形拡張について述べる。 チューニング可能なKKLオブザーバでは、学習における学習ベースオブザーバの堅牢性向上の基礎として、オブザーバの設計と収束速度とロバストネスのトレードオフの関係を分析し、利用する。
• 参考スコア（独自算出の注目度）: 1.0094821910320064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relying on recent research results on Neural ODEs, this paper presents a methodology for the design of state observers for nonlinear systems based on Neural ODEs, learning Luenberger-like observers and their nonlinear extension (Kazantzis-Kravaris-Luenberger (KKL) observers) for systems with partially-known nonlinear dynamics and fully unknown nonlinear dynamics, respectively. In particular, for tuneable KKL observers, the relationship between the design of the observer and its trade-off between convergence speed and robustness is analysed and used as a basis for improving the robustness of the learning-based observer in training. We illustrate the advantages of this approach in numerical simulations.
• Abstract（参考訳）: 本稿では,神経オデムに関する最近の研究結果に基づき,神経オデムに基づく非線形系に対する状態オブザーバの設計手法を提案し,ルンベルガー様オブザーバとそれらの非線形拡張(カザンツィス・クラヴァリス・ルエンベルガー(kkl)オブザーバ)について,部分的既知の非線形ダイナミクスと未知の非線形ダイナミクスをそれぞれ学習する。 特に、調整可能なKKLオブザーバの場合、学習における学習に基づくオブザーバの堅牢性向上の基礎として、オブザーバの設計と収束速度とロバストネスのトレードオフの関係を分析し、利用する。 この手法の利点を数値シミュレーションで説明する。

関連論文リスト

• Adaptive Meta-Learning-Based KKL Observer Design for Nonlinear Dynamical Systems [0.0]
  本稿では,メタラーニングによる非線形力学系のオブザーバ設計に対する新しいアプローチを提案する。 システム出力の測定から情報を活用するフレームワークを導入し、さまざまなシステム条件や属性にオンライン適応可能な学習ベースのKKLオブザーバを設計する。
  論文  参考訳（メタデータ） (2023-10-30T12:25:14Z)
• Course Correcting Koopman Representations [12.517740162118855]
  本稿では, この問題のオートエンコーダの定式化と, ダイナミックスをモデル化するための様々な方法について検討する。 本稿では,長期的ダイナミクスを忠実に捉えるために,周期的再符号化と呼ばれる推論時機構を提案する。
  論文  参考訳（メタデータ） (2023-10-23T22:36:31Z)
• 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)
• Neural Observer with Lyapunov Stability Guarantee for Uncertain Nonlinear Systems [6.479565605473741]
  本稿では,線形時間不変系(LTI)と不確かでない非線形系の観測タスクに対して,ニューラルオブザーバと呼ばれる新しい非線形オブザーバを提案する。 線形行列不等式(LMIs)のみを用いて、LTIの安定性解析(指数収束率など)と、観測問題を解く道を開く不確実な非線形系を導出する。 我々は、X-29A航空機モデル、非線形振り子、四輪操舵車を含む3つのシミュレーションケースにおいて、ニューラルオブザーバが利用可能であることを検証した。
  論文  参考訳（メタデータ） (2022-08-27T13:16:43Z)
• Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
  本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。 提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-11T13:25:45Z)
• 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)
• 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)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)
• Lipschitz Recurrent Neural Networks [100.72827570987992]
  我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。 実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-22T08:44:52Z)
• Safe Learning-based Observers for Unknown Nonlinear Systems using Bayesian Optimization [4.184419714263417]
  本稿では,3つの設計フェーズからなるモジュール設計手法を定式化する。 提案する学習ベースオブザーバの可能性を,ベンチマーク非線形システムで実証した。
  論文  参考訳（メタデータ） (2020-05-12T16:04:51Z)

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。