論文の概要: Nonlinear MPC design for incrementally ISS systems with application to
GRU networks
- arxiv url: http://arxiv.org/abs/2309.16428v2
- Date: Wed, 1 Nov 2023 09:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 16:49:17.183334
- Title: Nonlinear MPC design for incrementally ISS systems with application to
GRU networks
- Title(参考訳): インクリメンタルISSシステムの非線形MPC設計とGRUネットワークへの応用
- Authors: Fabio Bonassi, Alessio La Bella, Marcello Farina, Riccardo Scattolini
- Abstract要約: 本稿では,指数関数的にインクリメンタルな入力-状態安定(ISS)システムのためのモデル予測制御(NMPC)戦略の設計について述べる。
設計手法は、リカレントニューラルネットワーク(RNN)によって学習されたシステムの制御に特に適している。
このアプローチは Gated Recurrent Unit (GRU) ネットワークに適用され、収束保証を備えた調整状態オブザーバの設計方法も提供する。
- 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: This brief addresses the design of a Nonlinear Model Predictive Control
(NMPC) strategy for exponentially incremental Input-to-State Stable (ISS)
systems. In particular, a novel formulation is devised, which does not
necessitate the onerous computation of terminal ingredients, but rather relies
on the explicit definition of a minimum prediction horizon ensuring closed-loop
stability. The designed methodology is particularly suited for the control of
systems learned by Recurrent Neural Networks (RNNs), which are known for their
enhanced modeling capabilities and for which the incremental ISS properties can
be studied thanks to simple algebraic conditions. The approach is applied to
Gated Recurrent Unit (GRU) networks, providing also a method for the design of
a tailored state observer with convergence guarantees. The resulting control
architecture is tested on a benchmark system, demonstrating its good control
performances and efficient applicability.
- Abstract(参考訳): 本稿では、指数関数的にインクリメンタルな入力-状態安定(ISS)システムのための非線形モデル予測制御(NMPC)戦略の設計について述べる。
特に、終端成分の有意な計算を必要とせず、閉ループ安定性を保証する最小予測地平線の明示的な定義に依存する、新しい定式化が考案された。
設計手法は、リカレントニューラルネットワーク(RNN)によって学習されたシステムの制御に特に適しており、モデリング能力の強化と、単純な代数的条件によりISS特性の漸進性を研究することができる。
このアプローチは Gated Recurrent Unit (GRU) ネットワークに適用され、収束保証を備えた調整状態オブザーバの設計方法も提供する。
結果の制御アーキテクチャはベンチマークシステムでテストされ、優れた制御性能と効率的な適用性を示す。
関連論文リスト
- 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) - Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit
Commitment [0.5076419064097734]
SCUC(Security-Constrained Unit commitment)は、電力系統の日頭スケジューリングと市場浄化に使用される計算上の複雑なプロセスである。
本稿では,制約の空間的相関と時間的相関を本質的に考慮した,電力系統履歴データのパターンの学習に先進機械学習(ML)モデルを用いる。
ST関連MLモデルはグラフニューラルネットワーク(GNN)を考慮して空間相関を理解するために訓練される一方、時間列は長期記憶(LSTM)ネットワークを用いて研究される。
論文 参考訳(メタデータ) (2023-06-02T14:31:24Z) - Robust stabilization of polytopic systems via fast and reliable neural
network-based approximations [2.2299983745857896]
ポリトピック不確実性を有する線形システムに対する従来の安定化制御器の高速かつ信頼性の高いニューラルネットワーク(NN)に基づく近似設計について検討する。
訓練された修正線形単位(ReLU)に基づく近似が従来の制御系に取って代わる場合、線形不確かさシステムの閉ループ安定性と性能を証明する。
論文 参考訳(メタデータ) (2022-04-27T21:58:07Z) - Reliably-stabilizing piecewise-affine neural network controllers [5.203329540700177]
モデル予測制御(MPC)ポリシーのニューラルネットワーク(NN)近似に影響を与える一般的な問題は、NNベースのコントローラの動作の下でクローズドループシステムの安定性を評価するための分析ツールがないことである。
本稿では、そのような制御器の性能を定量化したり、与えられたMPCスキームの望ましい特性を保持する最小の複雑性NNを設計するための一般的な手順を提案する。
論文 参考訳(メタデータ) (2021-11-13T20:01:43Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳(メタデータ) (2021-10-12T16:41:47Z) - Recurrent neural network-based Internal Model Control of unknown
nonlinear stable systems [0.30458514384586394]
Gated Recurrent Neural Networks (RNN)は、動的システムを学ぶための人気のあるツールとなっている。
本稿では、内部モデル制御(IMC)アーキテクチャの合成にこれらのネットワークをどのように適用できるかについて議論する。
論文 参考訳(メタデータ) (2021-08-10T11:02:25Z) - A novel Deep Neural Network architecture for non-linear system
identification [78.69776924618505]
非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。
メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。
このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
論文 参考訳(メタデータ) (2021-06-06T10:06:07Z) - Nonlinear MPC for Offset-Free Tracking of systems learned by GRU Neural
Networks [0.2578242050187029]
本稿では,安定な Gated Recurrent Units (GRUs) を MPC フレームワークでトレーニングし,一定の参照のオフセットレストラッキングを保証されたクローズドループ安定性で行う方法について述べる。
提案手法はpH中性化プロセスベンチマークでテストされ,顕著な性能を示した。
論文 参考訳(メタデータ) (2021-03-03T13:14:33Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳(メタデータ) (2020-03-12T19:56:38Z) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-28T14:37:38Z)
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。