論文の概要: Data-driven identification of nonlinear dynamical systems with LSTM autoencoders and Normalizing Flows
- arxiv url: http://arxiv.org/abs/2503.03977v1
- Date: Wed, 05 Mar 2025 23:58:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-07 15:58:52.851287
- Title: Data-driven identification of nonlinear dynamical systems with LSTM autoencoders and Normalizing Flows
- Title（参考訳）: LSTMオートエンコーダと正規化フローを用いた非線形力学系のデータ駆動同定
- Authors: Abdolvahhab Rostamijavanani, Shanwu Li, Yongchao Yang,
- Abstract要約: 本研究では,システム同定のための深層学習に基づく高度な非線形手法を提案する。
ダッフィング系とローレンツ系と,シリンダー上の流れや2次元蓋駆動キャビティ問題などの流体流について考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: While linear systems have been useful in solving problems across different fields, the need for improved performance and efficiency has prompted them to operate in nonlinear modes. As a result, nonlinear models are now essential for the design and control of these systems. However, identifying a nonlinear system is more complicated than identifying a linear one. Therefore, modeling and identifying nonlinear systems are crucial for the design, manufacturing, and testing of complex systems. This study presents using advanced nonlinear methods based on deep learning for system identification. Two deep neural network models, LSTM autoencoder and Normalizing Flows, are explored for their potential to extract temporal features from time series data and relate them to system parameters, respectively. The presented framework offers a nonlinear approach to system identification, enabling it to handle complex systems. As case studies, we consider Duffing and Lorenz systems, as well as fluid flows such as flows over a cylinder and the 2-D lid-driven cavity problem. The results indicate that the presented framework is capable of capturing features and effectively relating them to system parameters, satisfying the identification requirements of nonlinear systems.
- Abstract（参考訳）: 線形系は様々な分野にまたがる問題を解くのに有用であるが、性能と効率の改善の必要性は、非線形モードで動作させるきっかけとなった。
その結果、現在では非線形モデルはこれらのシステムの設計と制御に不可欠である。
しかし、非線形系の同定は線形系の同定よりも複雑である。
したがって、複雑なシステムの設計、製造、テストには非線形システムのモデリングと同定が不可欠である。
本研究では,システム同定のための深層学習に基づく高度な非線形手法を提案する。
2つのディープニューラルネットワークモデルLSTMオートエンコーダと正規化フローを,時系列データから時間的特徴を抽出し,それぞれシステムパラメータに関連付ける可能性について検討した。
提示されたフレームワークは、システム識別に対する非線形アプローチを提供し、複雑なシステムを扱うことができる。
ケーススタディとして,ダッフィング系とローレンツ系,シリンダー上の流れや2次元蓋駆動キャビティ問題などの流体流について考察する。
その結果, 提案フレームワークは, 非線形システムの識別要件を満たすため, 特徴を捕捉し, システムパラメータに効果的に関連付けることが可能であることが示唆された。
関連論文リスト
- Solving Nonlinear Energy Supply and Demand System Using Physics-Informed Neural Networks [1.5728609542259502]
本稿では,非線形エネルギー需給システムの解法として物理情報ニューラルネットワーク(PINN)を用いる手法を提案する。
我々は、4つの出力を持つニューラルネットワークを設計し、各出力は微分方程式の非線形系における未知の関数の1つに対応する関数を近似する。
この問題に対するニューラルネットワークから得られる解は、次数4/5のルンゲ・クッタ法(RK45)との比較と評価において等価である。
論文 参考訳（メタデータ） (2024-12-22T12:37:59Z) - A method for identifying causality in the response of nonlinear dynamical systems [0.0]
データ駆動モデルを構築するには、システムの入力と出力を実験的に測定する必要がある。
モデル内の不正確さがエラーやノイズのモデル化に起因するかどうかを判断することは困難である。
本稿では,入力出力データの因果成分を,出力雑音の存在下でのシステム計測から同定する手法を提案する。
論文 参考訳（メタデータ） (2024-09-26T14:19:07Z) - 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) - 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) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - 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) - 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) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Coarse-Grained Nonlinear System Identification [0.0]
本稿では,ボルテラ級数展開に基づく非線形系力学の効率的で普遍的なパラメータ化である粗粒度ダイナミクスを紹介する。
簡単な合成問題に対して,本手法の特性を実証する。
また, 実験データの1秒未満で, タングステンフィラメントのダイナミックスに対して, 非線形電圧の正確なモデルを特定することを実証した。
論文 参考訳（メタデータ） (2020-10-14T06:45:51Z) - 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。