論文の概要: Learning Flow Functions from Data with Applications to Nonlinear
Oscillators
- arxiv url: http://arxiv.org/abs/2303.16656v2
- Date: Tue, 11 Apr 2023 13:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 17:41:41.359339
- Title: Learning Flow Functions from Data with Applications to Nonlinear
Oscillators
- Title(参考訳): 非線形振動子を用いたデータからのフロー関数の学習
- Authors: Miguel Aguiar, Amritam Das and Karl H. Johansson
- Abstract要約: フロー関数の学習は離散時間力学系の入力状態マップの学習と等価であることを示す。
これにより、RNNをエンコーダとデコーダネットワークと共に使用し、システムの状態をRNNとバックの隠された状態にマッピングする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We describe a recurrent neural network (RNN) based architecture to learn the
flow function of a causal, time-invariant and continuous-time control system
from trajectory data. By restricting the class of control inputs to piecewise
constant functions, we show that learning the flow function is equivalent to
learning the input-to-state map of a discrete-time dynamical system. This
motivates the use of an RNN together with encoder and decoder networks which
map the state of the system to the hidden state of the RNN and back. We show
that the proposed architecture is able to approximate the flow function by
exploiting the system's causality and time-invariance. The output of the
learned flow function model can be queried at any time instant. We
experimentally validate the proposed method using models of the Van der Pol and
FitzHugh Nagumo oscillators. In both cases, the results demonstrate that the
architecture is able to closely reproduce the trajectories of these two
systems. For the Van der Pol oscillator, we further show that the trained model
generalises to the system's response with a prolonged prediction time horizon
as well as control inputs outside the training distribution. For the
FitzHugh-Nagumo oscillator, we show that the model accurately captures the
input-dependent phenomena of excitability.
- Abstract(参考訳): 軌道データから因果的・時間不変・連続時間制御系の流れ関数を学習するためのリカレントニューラルネットワーク(RNN)に基づくアーキテクチャについて述べる。
制御入力のクラスを一括定数関数に制限することにより、フロー関数の学習は離散時間力学系の入力状態マップの学習と等価であることを示す。
これにより、RNNをエンコーダとデコーダネットワークと共に使用し、システムの状態をRNNとバックの隠された状態にマッピングする。
提案手法は,システムの因果性と時間不変性を生かしてフロー関数を近似できることを示す。
学習したフロー関数モデルの出力はいつでもいつでも問い合わせることができる。
Van der Pol と FitzHugh Nagumo 振動子のモデルを用いて提案手法を実験的に検証した。
どちらの場合も、アーキテクチャがこれらの2つのシステムの軌跡を忠実に再現できることを示す。
さらに,van der pol 発振器では,トレーニングモデルがシステムの応答を長期予測時間軸で一般化し,トレーニング分布外の入力を制御することを示す。
フィッツヒュー・ナグモ発振器については、モデルが励起性の入力依存現象を正確に捉えていることを示す。
関連論文リスト
- 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) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - 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) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:08:44Z) - 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) - Reconstructing a dynamical system and forecasting time series by
self-consistent deep learning [4.947248396489835]
ノイズの多い決定論的時系列に自己一貫性のあるディープラーニングフレームワークを導入する。
教師なしフィルタリング、状態空間再構成、基礎となる微分方程式の同定、予測を提供する。
論文 参考訳(メタデータ) (2021-08-04T06:10:58Z) - Coupled Oscillatory Recurrent Neural Network (coRNN): An accurate and
(gradient) stable architecture for learning long time dependencies [15.2292571922932]
本稿では,リカレントニューラルネットワークのための新しいアーキテクチャを提案する。
提案するRNNは, 2次常微分方程式系の時間分解に基づく。
実験の結果,提案したRNNは,様々なベンチマークによる最先端技術に匹敵する性能を示した。
論文 参考訳(メタデータ) (2020-10-02T12:35:04Z) - 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) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z)
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。