論文の概要: Identifying Large-Scale Linear Parameter Varying Systems with Dynamic Mode Decomposition Methods

• arxiv url: http://arxiv.org/abs/2502.02336v1
• Date: Tue, 04 Feb 2025 14:15:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:52:14.509555
• Title: Identifying Large-Scale Linear Parameter Varying Systems with Dynamic Mode Decomposition Methods
• Title（参考訳）: 動的モード分解法による大規模線形パラメータ分散系の同定
• Authors: Jean Panaioti Jordanou, Eduardo Camponogara, Eduardo Gildin,
• Abstract要約: 本研究は,大規模LPVシステムの局所的およびグローバルな同定手法を開発する。 この方法は動的モード分解(DMD)にインスパイアされたDMD-LPVと呼ばれる。 実験により,提案手法は,全次元の同定を行うことなく,与えられた大規模システムの低次モデルを容易に同定できることが示唆された。
• 参考スコア（独自算出の注目度）: 5.217516787417401
• License:
• Abstract: Linear Parameter Varying (LPV) Systems are a well-established class of nonlinear systems with a rich theory for stability analysis, control, and analytical response finding, among other aspects. Although there are works on data-driven identification of such systems, the literature is quite scarce in terms of works that tackle the identification of LPV models for large-scale systems. Since large-scale systems are ubiquitous in practice, this work develops a methodology for the local and global identification of large-scale LPV systems based on nonintrusive reduced-order modeling. The developed method is coined as DMD-LPV for being inspired in the Dynamic Mode Decomposition (DMD). To validate the proposed identification method, we identify a system described by a discretized linear diffusion equation, with the diffusion gain defined by a polynomial over a parameter. The experiments show that the proposed method can easily identify a reduced-order LPV model of a given large-scale system without the need to perform identification in the full-order dimension, and with almost no performance decay over performing a reduction, given that the model structure is well-established.
• Abstract（参考訳）: 線形パラメータバリアリング(LPV)システムは、安定性解析、制御、解析応答探索のための豊富な理論を持つ、よく確立された非線形系のクラスである。 このようなシステムのデータ駆動型識別に関する研究は存在するが、大規模システムにおけるLPVモデルの同定に対処する研究は少ない。 大規模システムは実際にユビキタスであるため,非侵襲的低次モデリングに基づく大規模LPVシステムの局所的およびグローバルな同定手法を開発する。 動的モード分解(DMD)にインスパイアされたDMD-LPVとして開発された。 提案手法を検証するため,パラメータ上の多項式によって定義される拡散ゲインを用いて,離散化線形拡散方程式で記述されたシステムを特定する。 提案手法は, モデル構造が十分に確立されていることを前提として, 全次元の同定を行うことなく, 大規模システムの低次PVモデルを容易に同定できることを示す。

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)
• An L-BFGS-B approach for linear and nonlinear system identification under $\ell_1$ and group-Lasso regularization [0.0]
  線形および非線形離散時間状態空間モデルを同定するための非常に効率的な数値計算法を提案する。 提案手法のPython実装は、jax-sysidパッケージで利用可能である。
  論文  参考訳（メタデータ） (2024-03-06T16:17:34Z)
• CEBoosting: Online Sparse Identification of Dynamical Systems with Regime Switching by Causation Entropy Boosting [1.090458267119282]
  レジームスイッチングは、マルチスケールの特徴、カオス的振る舞い、極端な事象を持つ多くの複雑な力学系においてユビキタスである。 本稿では,レシエーションスイッチングの検出を容易にするために,因果エントロピーブースティング(CEBoosting)戦略を開発した。 この戦略はデータ同化と組み合わせて、観測されていない潜在プロセスによって引き起こされる状態切替を特定することができる。
  論文  参考訳（メタデータ） (2023-04-16T19:14:03Z)
• Benchmarking sparse system identification with low-dimensional chaos [1.5849413067450229]
  カオスシステムのダイエット標準化データベースを利用して,スパース回帰変種を系統的にベンチマークする。 我々は,このオープンソースツールを用いて,システム識別の異なる手法を定量的に比較する方法を実証する。 いずれの場合も,SINDyの雑音頑健性を改善し,統計的比較を行うためにアンサンブルを用いた。
  論文  参考訳（メタデータ） (2023-02-04T18:49:52Z)
• Robust identification of non-autonomous dynamical systems using stochastic dynamics models [0.0]
  本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。 隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。 提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
  論文  参考訳（メタデータ） (2022-12-20T16:36:23Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Large-Scale System Identification Using a Randomized SVD [4.567810220723372]
  近似行列因数分解は、実現アルゴリズムにおける標準SVDを置き換えることができることを示す。 これはモデルを作ることができる唯一の方法です。
  論文  参考訳（メタデータ） (2021-09-06T19:25:15Z)
• 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)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。