論文の概要: Data-driven identification of port-Hamiltonian DAE systems by Gaussian processes

• arxiv url: http://arxiv.org/abs/2406.18726v1
• Date: Wed, 26 Jun 2024 19:51:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 16:06:39.732336
• Title: Data-driven identification of port-Hamiltonian DAE systems by Gaussian processes
• Title（参考訳）: ガウス過程によるポート・ハミルトンDAEシステムのデータ駆動同定
• Authors: Peter Zaspel, Michael Günther,
• Abstract要約: ポート・ハミルトン系(pHS)は力学系の構造保存モデリングを可能にする。 いくつかのサブシステムは物理的pHS記述を許可していない(a)これは利用できないか(b)高すぎるためである。 ここでは、データ駆動アプローチを使用して、そのようなサブシステムに対してpHSを提供し、構造保存的な方法で他のサブシステムと結合することができる。
• 参考スコア（独自算出の注目度）: 1.1579069207536392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Port-Hamiltonian systems (pHS) allow for a structure-preserving modeling of dynamical systems. Coupling pHS via linear relations between input and output defines an overall pHS, which is structure preserving. However, in multiphysics applications, some subsystems do not allow for a physical pHS description, as (a) this is not available or (b) too expensive. Here, data-driven approaches can be used to deliver a pHS for such subsystems, which can then be coupled to the other subsystems in a structure-preserving way. In this work, we derive a data-driven identification approach for port-Hamiltonian differential algebraic equation (DAE) systems. The approach uses input and state space data to estimate nonlinear effort functions of pH-DAEs. As underlying technique, we us (multi-task) Gaussian processes. This work thereby extends over the current state of the art, in which only port-Hamiltonian ordinary differential equation systems could be identified via Gaussian processes. We apply this approach successfully to two applications from network design and constrained multibody system dynamics, based on pH-DAE system of index one and three, respectively.
• Abstract（参考訳）: ポート・ハミルトン系(pHS)は力学系の構造保存モデリングを可能にする。 入力と出力の線形関係によるpHSの結合は、構造保存である全体のpHSを定義する。 しかし、多重物理学の応用においては、いくつかのサブシステムは物理的pHSの記述を許さない。 (a)これは利用できないか、または (b)高すぎる。 ここでは、データ駆動アプローチを使用して、そのようなサブシステムに対してpHSを提供し、構造保存的な方法で他のサブシステムと結合することができる。 本研究では、ポート-ハミルトン微分代数方程式(DAE)系に対するデータ駆動型同定手法を導出する。 この手法は入力空間と状態空間のデータを用いてpH-DAEの非線形作業関数を推定する。 基礎となる技術として、私たち(マルチタスク)ガウス過程がある。 この研究は、ポート・ハミルトニアン常微分方程式系のみをガウス過程を通じて特定できる、現在の最先端技術に拡張される。 本稿では,ネットワーク設計と制約付き多体系力学の2つの応用に適用し,それぞれ1と3のpH-DAE系に基づく手法を提案する。

関連論文リスト

• dynoGP: Deep Gaussian Processes for dynamic system identification [0.7692572272935511]
  ガウスディープ・プロセスの特定のクラス(ディープGP)に基づく力学系に対するシステム同定の新しい手法を提案する。 提案手法は,ニューラルネットワークアーキテクチャに基づくようなデータ駆動手法の強みと,確率分布を出力する能力を組み合わせる。 シミュレーションデータと実世界のデータの両方を用いて,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-02-08T15:57:59Z)
• Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks [0.0]
  ポート・ハミルトンニューラルネットワーク(pHNN)は、物理法則とディープラーニング技術を統合する強力なモデリングツールとして登場している。 本研究では,入力出力測定のみに基づいて,pHNNを用いてサブシステムを特定する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T17:41:51Z)
• Data-driven identification of latent port-Hamiltonian systems [0.0]
  本稿では,ポート・ハミルトン (pH) の定式化におけるモデルを導出する,データ駆動型システム識別フレームワークを提案する。 この定式化は多物理系に適しており、通過率と安定性の有用なシステム理論的性質を保証している。
  論文  参考訳（メタデータ） (2024-08-15T14:42:28Z)
• Gaussian Process Port-Hamiltonian Systems: Bayesian Learning with Physics Prior [17.812064311297117]
  データ駆動型アプローチは、収集されたデータに基づく複雑なダイナミクスのモデリングにおいて顕著な結果をもたらす。 これらのモデルは、現実世界のシステムの振る舞いを決定する基本的な物理原理を無視することが多い。 本研究では不確実な定量化を伴う物理インフォームドベイズ学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T20:59:41Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Port-Hamiltonian Neural Networks with State Dependent Ports [58.720142291102135]
  本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。 ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。 スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
  論文  参考訳（メタデータ） (2022-06-06T14:57:25Z)
• A Latent Restoring Force Approach to Nonlinear System Identification [0.0]
  この研究は、システムの未知の非線形項の寄与を抽出し同定するためのベイズフィルタに基づくアプローチを提案する。 この手法は、シミュレートされたケーススタディと実験的なベンチマークデータセットの両方で有効であることが示されている。
  論文  参考訳（メタデータ） (2021-09-22T12:21:16Z)
• Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
  本稿では,多目的共進化アルゴリズムについて述べる。 システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。 単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
  論文  参考訳（メタデータ） (2021-03-11T15:37:52Z)
• Linear embedding of nonlinear dynamical systems and prospects for efficient quantum algorithms [74.17312533172291]
  有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。 次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
  論文  参考訳（メタデータ） (2020-12-12T00:01:10Z)
• 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)
• 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。