論文の概要: A neural network-based approach to hybrid systems identification for control

• arxiv url: http://arxiv.org/abs/2404.01814v2
• Date: Wed, 09 Oct 2024 17:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:25:05.041707
• Title: A neural network-based approach to hybrid systems identification for control
• Title（参考訳）: ニューラルネットワークによるハイブリッドシステム同定と制御
• Authors: Filippo Fabiani, Bartolomeo Stellato, Daniele Masti, Paul J. Goulart,
• Abstract要約: 本研究では,未知の力学系の機械学習モデルの設計を有限個の(状態入力)状態データポイントから検討する。 ニューラルネットワーク(NN)アーキテクチャを採用して、適切なトレーニングをすれば、連続的なピースワイズ-ファインダイナミクスを備えたハイブリッドシステムが得られるのです。 NNの重みを慎重に選択すると、有限地平面最適制御問題の一部として使用する場合に非常に有利な構造特性を持つハイブリッドシステムモデルが得られることを示す。
• 参考スコア（独自算出の注目度）: 4.324244627273018
• License:
• Abstract: We consider the problem of designing a machine learning-based model of an unknown dynamical system from a finite number of (state-input)-successor state data points, such that the model obtained is also suitable for optimal control design. We adopt a neural network (NN) architecture that, once suitably trained, yields a hybrid system with continuous piecewise-affine (PWA) dynamics that is differentiable with respect to the network's parameters, thereby enabling the use of derivative-based training procedures. We show that a careful choice of our NN's weights produces a hybrid system model with structural properties that are highly favorable when used as part of a finite horizon optimal control problem (OCP). Specifically, we rely on available results to establish that optimal solutions with strong local optimality guarantees can be computed via nonlinear programming (NLP), in contrast to classical OCPs for general hybrid systems which typically require mixed-integer optimization. Besides being well-suited for optimal control design, numerical simulations illustrate that our NN-based technique enjoys very similar performance to state-of-the-art system identification methods for hybrid systems and it is competitive on nonlinear benchmarks.
• Abstract（参考訳）: 与えられたモデルが最適制御設計にも適するように、未知の力学系の機械学習ベースモデルを有限個の(状態インプット)状態データポイントから設計する問題を考察する。 我々は、ニューラルネットワーク(NN)アーキテクチャを採用し、ネットワークのパラメータに対して微分可能な連続的なピースワイズアフィン(PWA)ダイナミクスを持つハイブリッドシステムを生成し、デリバティブベースのトレーニング手順の使用を可能にする。 NNの重みを慎重に選択すると、有限地平面最適制御問題(OCP)の一部として使用する場合に非常に有利な構造特性を持つハイブリッドシステムモデルが得られることを示す。 具体的には、通常、混合整数最適化を必要とする一般的なハイブリッドシステムの古典的なOCPとは対照的に、強い局所最適性保証を持つ最適解が非線形プログラミング(NLP)によって計算可能であることを保証するために、利用可能な結果に頼っている。 最適制御設計に適しているだけでなく、我々のNNベースの手法はハイブリッドシステムの最先端システム識別手法と非常によく似た性能を示し、非線形ベンチマークでは競合する。

関連論文リスト

• A Guaranteed-Stable Neural Network Approach for Optimal Control of Nonlinear Systems [3.5000297213981653]
  非線形システムの最適制御に対する有望なアプローチは、システムを反復線形化し、最適制御入力を決定するために各タイミングで最適化問題を解くことである。 このアプローチはオンライン最適化に依存するため、計算コストがかかるため、限られた計算資源を持つシステムでは非現実的である。 この問題の潜在的な解決策の1つは、ニューラルネットワーク(NN)を制御ループに組み込むことである。
  論文  参考訳（メタデータ） (2025-01-28T22:55:47Z)
• Neural Port-Hamiltonian Differential Algebraic Equations for Compositional Learning of Electrical Networks [20.12750360095627]
  結合力学系のための合成学習アルゴリズムを開発した。 我々は、ポート・ハミルトンDAEの微分および代数的成分における未知項のパラメータ化にニューラルネットワークを用いる。 我々は、個別のN-PHDAEモデルを個別のグリッドコンポーネント向けに訓練し、それらを結合して大規模ネットワークの挙動を正確に予測する。
  論文  参考訳（メタデータ） (2024-12-15T15:13:11Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Pontryagin Optimal Control via Neural Networks [19.546571122359534]
  我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。 結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。 モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
  論文  参考訳（メタデータ） (2022-12-30T06:47:03Z)
• 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)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• QRnet: optimal regulator design with LQR-augmented neural networks [2.8725913509167156]
  本研究では,高次元非線形系の最適レギュレータを設計するための新しい計算手法を提案する。 提案手法は,高次元ハミルトン・ヤコビ・ベルマン方程式を解くために物理インフォームド・機械学習を利用する。 我々は、状態空間を離散化せずに生成されたデータに基づいて拡張モデルを訓練し、高次元問題への適用を可能にする。
  論文  参考訳（メタデータ） (2020-09-11T23:50:17Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Loss landscapes and optimization in over-parameterized non-linear systems and neural networks [20.44438519046223]
  広域ニューラルネットワークがPL$*$条件を満たすことを示し、(S)GD収束を大域最小値に説明する。 広域ニューラルネットワークがPL$*$条件を満たすことを示し、(S)GD収束を大域最小値に説明する。
  論文  参考訳（メタデータ） (2020-02-29T17:18:28Z)

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。