論文の概要: Suppressing unknown disturbances to dynamical systems using machine
learning
- arxiv url: http://arxiv.org/abs/2307.03690v2
- Date: Mon, 2 Oct 2023 23:28:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 07:54:07.489947
- Title: Suppressing unknown disturbances to dynamical systems using machine
learning
- Title(参考訳): 機械学習による力学系の未知外乱の抑制
- Authors: Juan G. Restrepo, Clayton P. Byers, Per Sebastian Skardal
- Abstract要約: 本研究では,未知のシステムに対して未知の障害を特定し,抑制するためのモデルフリーな手法を提案する。
トレーニング関数の極めて穏やかな制限の下で,本手法は未知の乱れを強く識別し,抑制することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying and suppressing unknown disturbances to dynamical systems is a
problem with applications in many different fields. In this Letter, we present
a model-free method to identify and suppress an unknown disturbance to an
unknown system based only on previous observations of the system under the
influence of a known forcing function. We find that, under very mild
restrictions on the training function, our method is able to robustly identify
and suppress a large class of unknown disturbances. We illustrate our scheme
with the identification of unknown forcings to an analog electric chaotic
circuit and with a numerical example where a chaotic disturbance to the Lorenz
system is identified and suppressed.
- Abstract(参考訳): 力学系に対する未知の障害の特定と抑制は多くの異なる分野の応用において問題となる。
本報告では,未知のシステムに対する未知の障害を,既知の強制関数の影響下での先行観測のみに基づいて同定・抑制するモデルフリー手法を提案する。
訓練関数の極めて軽度な制限の下では,未知の障害の大きなクラスをロバストに識別し,抑制することが可能であることが判明した。
本手法は,アナログ電気カオス回路への未知強制の同定と,ロレンツ系へのカオス外乱を同定して抑制する数値例を用いて述べる。
関連論文リスト
- AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳(メタデータ) (2023-12-21T18:58:41Z) - Data-Guided Regulator for Adaptive Nonlinear Control [0.27195102129094995]
本稿では,複雑な非線形システムに対するデータ駆動型フィードバックコントローラの問題に対処する。
目標は、直接的なポリシー更新を通じて、システム状態の有限時間規制を達成することである。
論文 参考訳(メタデータ) (2023-11-20T23:02:39Z) - Detecting disturbances in network-coupled dynamical systems with machine
learning [0.0]
ネットワーク内の未知の障害を識別するための機械学習に基づくモデルフリー手法を提案する。
本手法は, 未知の乱れの多種多様な位置と特性を, 既知の強制関数を用いて同定できることが判明した。
論文 参考訳(メタデータ) (2023-07-24T13:19:15Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE
Systems from Discrete Observations [132.317721820131]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳(メタデータ) (2022-10-12T06:46:38Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳(メタデータ) (2022-02-15T19:00:09Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳(メタデータ) (2021-12-10T11:09:29Z) - System identification using Bayesian neural networks with nonparametric
noise models [0.0]
離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。
後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
論文 参考訳(メタデータ) (2021-04-25T09:49:50Z) - Controlling nonlinear dynamical systems into arbitrary states using
machine learning [77.34726150561087]
機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
論文 参考訳(メタデータ) (2021-02-23T16:58:26Z) - Neural Identification for Control [30.91037635723668]
提案手法は、安定閉ループ力学仮説と対応する制御則を生成するために、リアプノフ安定性理論に依存する。
我々は,nリンク振り子バランスや軌道追跡,カートバランスの振り子,車輪付き車両経路の追従など,様々な非線形制御問題について実演する。
論文 参考訳(メタデータ) (2020-09-24T16:17:44Z) - 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。
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。