論文の概要: Learning-Enhanced Observer for Linear Time-Invariant Systems with Parametric Uncertainty

• arxiv url: http://arxiv.org/abs/2511.16318v1
• Date: Thu, 20 Nov 2025 12:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.624027
• Title: Learning-Enhanced Observer for Linear Time-Invariant Systems with Parametric Uncertainty
• Title（参考訳）: パラメトリック不確実性を有する線形時間不変系の学習強化オブザーバ
• Authors: Hao Shu,
• Abstract要約: この研究は、不確実な力学を持つ線形時間不変系に対する学習強化オブザーバ(LEO)を導入する。 提案フレームワークは,名目モデルにのみ依存するのではなく,システム行列を最適化可能な変数として扱い,定常出力の不一致損失の勾配に基づく最小化を通じてそれを洗練する。 結果として得られるデータインフォームド・サロゲートモデルにより、古典的設計の構造を保ちながら中等パラメータの不確かさを効果的に補償する改良されたオブザーバを構築することができる。
• 参考スコア（独自算出の注目度）: 1.6498361958317636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work introduces a learning-enhanced observer (LEO) for linear time-invariant systems with uncertain dynamics. Rather than relying solely on nominal models, the proposed framework treats the system matrices as optimizable variables and refines them through gradient-based minimization of a steady-state output discrepancy loss. The resulting data-informed surrogate model enables the construction of an improved observer that effectively compensates for moderate parameter uncertainty while preserving the structure of classical designs. Extensive Monte Carlo studies across diverse system dimensions show systematic and statistically significant reductions, typically exceeding 15\%, in normalized estimation error for both open-loop and Luenberger observers. These results demonstrate that modern learning mechanisms can serve as a powerful complement to traditional observer design, yielding more accurate and robust state estimation in uncertain systems. Codes are available at https://github.com/Hao-B-Shu/LTI_LEO.
• Abstract（参考訳）: この研究は、不確実な力学を持つ線形時間不変系に対する学習強化オブザーバ(LEO)を導入する。 提案フレームワークは,名目モデルにのみ依存するのではなく,システム行列を最適化可能な変数として扱い,定常出力の不一致損失の勾配に基づく最小化を通じてそれを洗練する。 結果として得られるデータインフォームド・サロゲートモデルにより、古典的設計の構造を保ちながら中等パラメータの不確かさを効果的に補償する改良されたオブザーバを構築することができる。 多様なシステム次元にわたる広範なモンテカルロの研究は、オープンループとルエンベルガー観測者の両方に対する正規化推定誤差において、一般に15 %を超える体系的および統計的に有意な減少を示す。 これらの結果は、現代の学習メカニズムが従来のオブザーバ設計の強力な補完となり、不確実なシステムではより正確で堅牢な状態推定が得られることを示している。 コードはhttps://github.com/Hao-B-Shu/LTI_LEO.comで公開されている。

関連論文リスト

• Modeling Partially Observed Nonlinear Dynamical Systems and Efficient Data Assimilation via Discrete-Time Conditional Gaussian Koopman Network [1.3110675202172877]
  高次元複素力学系の代理モデルを学習するために、条件付きガウス・クープマンネットワーク(CGKN)を開発した。 このフレームワークは、科学機械学習(SciML)とデータ同化を統一する。
  論文  参考訳（メタデータ） (2025-07-11T16:59:27Z)
• 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)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Adaptive Meta-Learning-Based KKL Observer Design for Nonlinear Dynamical Systems [0.0]
  本稿では,メタラーニングによる非線形力学系のオブザーバ設計に対する新しいアプローチを提案する。 システム出力の測定から情報を活用するフレームワークを導入し、さまざまなシステム条件や属性にオンライン適応可能な学習ベースのKKLオブザーバを設計する。
  論文  参考訳（メタデータ） (2023-10-30T12:25:14Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Koopman Kernel Regression [6.116741319526748]
  クープマン作用素理論は線形時間不変(LTI)ODEによる予測のキャラクタリゼーションに有効なパラダイムであることを示す。 我々は、LTI力学系への変換のみにまたがる、普遍的なクープマン不変核再生ヒルベルト空間(RKHS)を導出する。 実験では、Koopman演算子やシーケンシャルデータ予測器と比較して予測性能が優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-25T16:22:22Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Safe Learning-based Observers for Unknown Nonlinear Systems using Bayesian Optimization [4.184419714263417]
  本稿では,3つの設計フェーズからなるモジュール設計手法を定式化する。 提案する学習ベースオブザーバの可能性を,ベンチマーク非線形システムで実証した。
  論文  参考訳（メタデータ） (2020-05-12T16:04:51Z)

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。