Fugu-MT 論文翻訳(概要): Suppressing unknown disturbances to dynamical systems using machine learning

論文の概要: Suppressing unknown disturbances to dynamical systems using machine learning

arxiv url: http://arxiv.org/abs/2307.03690v4
Date: Wed, 12 Jun 2024 13:47:38 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 23:42:48.277342
Title: Suppressing unknown disturbances to dynamical systems using machine learning
Title（参考訳）: 機械学習を用いた未知の乱れを動的システムに抑制する
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. Here 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 both deterministic and stochastic unknown disturbances 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を同定し、抑制することは、多くの異なる分野の応用において問題となる。本稿では,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以前の観測に基づいて同定し,抑制する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の大規模な分類と抑制を堅牢に行うことができる。提案手法は, 決定的および確率的未知の乱れをアナログ電気カオス回路に同定し, ローレンツ系に対するカオス的乱れを同定し抑制する数値例で説明する。

関連論文リスト

Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文参考訳（メタデータ） (2024-10-02T23:00:00Z)
Information Scrambling in Bosonic Gaussian Dynamics [0.0]
多重モードボゾン系に対する二次ハミルトン系のランダム性は、特定の情報が診断を揺るがす結果となる。絡み合い力学における記憶効果の消失と三部情報の負の値を観察した。
論文参考訳（メタデータ） (2024-08-22T02:57:25Z)
Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
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)
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)
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)
Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-06T08:48:02Z)
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)
Bayesian differential programming for robust systems identification under uncertainty [14.169588600819546]
本稿では,非線形力学系のノイズ,スパース,不規則な観測からベイズ系を同定する機械学習フレームワークを提案する。提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。スパーシティプロモーティングプリエントを用いることで、下層の潜在力学に対する解釈可能かつ同義的な表現の発見が可能になる。
論文参考訳（メタデータ） (2020-04-15T00:51:14Z)

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。