論文の概要: System Identification Using Kolmogorov-Arnold Networks: A Case Study on Buck Converters

• arxiv url: http://arxiv.org/abs/2506.10434v1
• Date: Thu, 12 Jun 2025 07:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.632145
• Title: System Identification Using Kolmogorov-Arnold Networks: A Case Study on Buck Converters
• Title（参考訳）: Kolmogorov-Arnold ネットワークを用いたシステム同定:バックコンバータのケーススタディ
• Authors: Nart Gashi, Panagiotis Kakosimos, George Papafotiou,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) は、解釈可能で効率的なシステム識別のための強力なフレームワークとして出現している。 本稿では, バックコンバータシステムの力学をモデル化し, 解析するためのkansの適用について検討する。
• 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: Kolmogorov-Arnold Networks (KANs) are emerging as a powerful framework for interpretable and efficient system identification in dynamic systems. By leveraging the Kolmogorov-Arnold representation theorem, KANs enable function approximation through learnable activation functions, offering improved scalability, accuracy, and interpretability compared to traditional neural networks. This paper investigates the application of KANs to model and analyze the dynamics of a buck converter system, focusing on state-space parameter estimation along with discovering the system equations. Using simulation data, the methodology involves approximating state derivatives with KANs, constructing interpretable state-space representations, and validating these models through numerical experiments. The results demonstrate the ability of KANs to accurately identify system dynamics, verify model consistency, and detect parameter changes, providing valuable insights into their applicability for system identification in modern industrial systems.
• Abstract（参考訳）: Kolmogorov-Arnold Networks (KAN) は、動的システムにおいて、解釈可能かつ効率的なシステム識別のための強力なフレームワークとして出現している。 Kolmogorov-Arnold表現定理を活用することで、KANSAは学習可能なアクティベーション関数による関数近似を可能にし、従来のニューラルネットワークと比較してスケーラビリティ、精度、解釈性が改善された。 本稿では,システム方程式の発見とともに状態空間パラメータ推定に焦点をあて,コンバータシステムの力学をモデル化・解析するためのkansの適用について検討する。 シミュレーションデータを用いて、状態微分をkanで近似し、解釈可能な状態空間表現を構築し、これらのモデルを数値実験により検証する。 その結果, システム力学を正確に同定し, モデルの整合性を検証し, パラメータ変化を検出し, 現代の産業システムにおけるシステム同定への適用性について貴重な知見を提供することができた。

関連論文リスト

• Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• KAN-ODEs: Kolmogorov-Arnold Network Ordinary Differential Equations for Learning Dynamical Systems and Hidden Physics [0.0]
  コルモゴロフ・アルノルドネットワーク(KAN)は多層パーセプトロン(MLP)の代替品である この研究は、Kansをニューラル常微分方程式(ODE)フレームワークのバックボーンとして適用する。
  論文  参考訳（メタデータ） (2024-07-05T00:38:49Z)
• A Transition System Abstraction Framework for Neural Network Dynamical System Models [2.414910571475855]
  本稿では,ニューラルネットワーク力学系モデルのためのトランジションシステム抽象化フレームワークを提案する。 このフレームワークは、データ駆動型ニューラルネットワークモデルをトランジションシステムに抽象化し、ニューラルネットワークモデルを解釈可能にする。
  論文  参考訳（メタデータ） (2024-02-18T23:49:18Z)
• InVAErt networks: a data-driven framework for model synthesis and identifiability analysis [0.0]
  inVAErtは物理システムのデータ駆動分析と合成のためのフレームワークである。 これは、前方および逆写像を表す決定論的デコーダ、系の出力の確率分布を捉える正規化フロー、入力と出力の間の単射性の欠如についてコンパクトな潜在表現を学ぶ変分エンコーダを使用する。
  論文  参考訳（メタデータ） (2023-07-24T07:58:18Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• 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)
• Cubature Kalman Filter Based Training of Hybrid Differential Equation Recurrent Neural Network Physiological Dynamic Models [13.637931956861758]
  ニューラルネットワーク近似を用いて、未知の常微分方程式を既知のODEで近似する方法を示す。 その結果、このRBSEによるNNパラメータのトレーニングは、バックプロパゲーションによるニューラルネットワークのトレーニングよりも優れた結果(測定/状態推定精度)が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-12T15:38:13Z)
• 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)
• Discovering Sparse Interpretable Dynamics from Partial Observations [0.0]
  部分的な観測のみを用いてこれらの支配方程式を発見するための機械学習フレームワークを提案する。 本手法がシステム全体の再構築に有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-22T18:23:23Z)

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。