論文の概要: Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification

• arxiv url: http://arxiv.org/abs/2510.24757v1
• Date: Tue, 21 Oct 2025 10:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.392111
• Title: Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification
• Title（参考訳）: 安定設計型ニューラルネットワークによるシステム同定のためのLPV状態空間モデル
• Authors: Ahmet Eren Sertbaş, Tufan Kumbasar,
• Abstract要約: 本稿では,潜在状態と内部スケジューリング変数を同時に学習するニューラルネットワークに基づく状態空間モデルを提案する。 状態遷移行列はシュールのパラメータ化によって安定であることが保証される。 提案するNN-SSは, ベンチマーク非線形システム上で評価され, モデルが古典的部分空間同定手法と一貫して一致するか, 上回っていることを示す。
• 参考スコア（独自算出の注目度）: 6.5745172279769255
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate modeling of nonlinear systems is essential for reliable control, yet conventional identification methods often struggle to capture latent dynamics while maintaining stability. We propose a \textit{stable-by-design LPV neural network-based state-space} (NN-SS) model that simultaneously learns latent states and internal scheduling variables directly from data. The state-transition matrix, generated by a neural network using the learned scheduling variables, is guaranteed to be stable through a Schur-based parameterization. The architecture combines an encoder for initial state estimation with a state-space representer network that constructs the full set of scheduling-dependent system matrices. For training the NN-SS, we develop a framework that integrates multi-step prediction losses with a state-consistency regularization term, ensuring robustness against drift and improving long-horizon prediction accuracy. The proposed NN-SS is evaluated on benchmark nonlinear systems, and the results demonstrate that the model consistently matches or surpasses classical subspace identification methods and recent gradient-based approaches. These findings highlight the potential of stability-constrained neural LPV identification as a scalable and reliable framework for modeling complex nonlinear systems.
• Abstract（参考訳）: 非線形システムの正確なモデリングは信頼性の高い制御には不可欠であるが、従来の同定手法は安定性を維持しながら潜伏力学を捉えるのに苦労することが多い。 我々は,データから直接潜時状態と内部スケジューリング変数を同時に学習する,NN-SS(textit{stable-by-design LPV Neural Network-based State-space)モデルを提案する。 ニューラルネットワークが学習したスケジューリング変数を用いて生成する状態遷移行列は、Schurベースのパラメータ化により安定であることが保証される。 このアーキテクチャは、初期状態推定のためのエンコーダと、スケジューリング依存のシステム行列の完全なセットを構成する状態空間表現ネットワークを組み合わせる。 NN-SSをトレーニングするために,多段階予測損失と状態整合性正規化項を統合し,ドリフトに対する堅牢性を確保し,長期予測精度を向上させるフレームワークを開発する。 提案するNN-SSは, ベンチマーク非線形システムを用いて評価し, 従来の部分空間同定手法と最近の勾配に基づくアプローチとの整合性を示した。 これらの結果は、複雑な非線形システムをモデル化するためのスケーラブルで信頼性の高いフレームワークとして、安定性に制約のあるニューラルLPV識別の可能性を強調している。

関連論文リスト

• Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control [2.884893167166808]
  本稿では,非線形力学系のためのソフトウェアセンサの設計手法を提案する。 明示的な変換や線形化に依存する従来のモデルベースオブザーバとは異なり、提案フレームワークはニューラルネットワークと適応スライディングモード制御(SMC)を統合している。 トレーニング手法は、物理に基づく制約としてシステムの制御方程式を活用することで、基底構造軌道にアクセスせずにオブザーバ合成を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:06:58Z)
• PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems [2.884893167166808]
  本稿では,非線形システムにおける状態推定のための新しい適応物理インフォームドニューラルネットワークベースオブザーバ(PINN-Obs)を提案する。 明示的なシステム変換や線形化を必要とする従来のモデルベースオブザーバとは異なり、提案フレームワークはシステムダイナミクスとセンサデータを物理インフォームド学習プロセスに直接統合する。
  論文  参考訳（メタデータ） (2025-07-09T10:09:45Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  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)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Self-Organizing Recurrent Stochastic Configuration Networks for Nonstationary Data Modelling [3.8719670789415925]
  リカレント・コンフィグレーション・ネットワーク(Recurrent configuration network、RSCN)は、非線形力学のモデリングにおいて有望であることを示すランダム化モデルのクラスである。 本稿では,非定常データモデリングのためのネットワークの連続学習能力を高めるために,SORSCNと呼ばれる自己組織型RCCNを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-10-14T01:28:25Z)
• 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)
• Robust stabilization of polytopic systems via fast and reliable neural network-based approximations [2.2299983745857896]
  ポリトピック不確実性を有する線形システムに対する従来の安定化制御器の高速かつ信頼性の高いニューラルネットワーク(NN)に基づく近似設計について検討する。 訓練された修正線形単位(ReLU)に基づく近似が従来の制御系に取って代わる場合、線形不確かさシステムの閉ループ安定性と性能を証明する。
  論文  参考訳（メタデータ） (2022-04-27T21:58:07Z)
• Recurrent Equilibrium Networks: Flexible Dynamic Models with Guaranteed Stability and Robustness [3.2872586139884623]
  本稿では,機械学習,システム識別,制御における再帰平衡ネットワーク(REN)を提案する。 RENはRNの二次ベクトルによって直接パラメータ化され、安定性とロバスト性はパラメータ制約なしで確保される。 また,データ駆動型非線形オブザーバの設計と安定性保証による制御への応用について述べる。
  論文  参考訳（メタデータ） (2021-04-13T05:09:41Z)

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。