論文の概要: Comparing model representations and fitting methods for port-Hamiltonian system identification

• arxiv url: http://arxiv.org/abs/2611.05031v1
• Date: Tue, 03 Nov 2026 15:05:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:57:36.315224
• Title: Comparing model representations and fitting methods for port-Hamiltonian system identification
• Title（参考訳）: ポート・ハミルトン系同定のためのモデル表現とフィッティング法の比較
• Abstract要約: ポート・ハミルトンモデルは、貯蔵されたエネルギー、散逸および外部入力を分離することで物理系を記述する。 我々は、ポート・ハミルトンシステムの異なる構成要素を表現するために、ニューラルネットワーク、解析式、および2つの組み合わせを用いて比較する。 異なるアプローチの予測精度と計算コストについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Port-Hamiltonian models describe physical systems by separating stored energy, dissipation and external inputs. Learning such models from data requires a choice of representation and fitting method. We compare using neural networks, analytic expressions and combinations of the two for representing the different components of the port-Hamiltonian system, and compare fitting the models with gradient-based optimisation or sparse regression. Testing on simulations of mechanical and electrical systems, with and without added noise, we present prediction accuracy and computational cost of the different approaches.
• Abstract（参考訳）: ポート・ハミルトンモデルは、貯蔵されたエネルギー、散逸および外部入力を分離することで物理系を記述する。 データからそのようなモデルを学習するには、表現と適合の方法を選択する必要がある。 ポート-ハミルトンシステムの異なるコンポーネントを表現するために,ニューラルネットワーク,解析式,組み合わせを用いて比較し,勾配に基づく最適化やスパース回帰によるモデルとの適合性を比較した。 機械的・電気的システムの騒音を加味せずにシミュレーションを行い, 予測精度と計算コストについて検討した。

関連論文リスト

• An Iterative Bayesian Approach for System Identification based on Linear Gaussian Models [70.75865595489691]
  システム識別の問題に取り組み、入力を選択し、実際のシステムから対応する出力を観測し、データに最も合うようにモデルのパラメータを最適化する。 提案手法では,システムからの入力出力データとパラメータに関するモデルの1次情報のみを必要とする。
  論文  参考訳（メタデータ） (2025-01-28T01:57:51Z)
• Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
  条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。 条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。 メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-19T02:09:15Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Discrepancy Modeling Framework: Learning missing physics, modeling systematic residuals, and disambiguating between deterministic and random effects [4.459306403129608]
  現代の力学系では、モデルと測定の相違は量子化の低下につながる。 本稿では,欠落した物理を識別し,モデル-測定ミスマッチを解消するための不一致モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-10T05:37:24Z)
• Modeling Systems with Machine Learning based Differential Equations [0.0]
  微分方程式の解として,力学系の時間連続モデルの設計を提案する。 以上の結果から,本手法は合成データや実験データに有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2021-09-09T19:10:46Z)
• Learning Equivariant Energy Based Models with Equivariant Stein Variational Gradient Descent [80.73580820014242]
  本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。 まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。 我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
  論文  参考訳（メタデータ） (2021-06-15T01:35:17Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。