Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Learning Dynamic Systems Using Gaussian Process Regression with Analytic Ordinary Differential Equations as Prior Information Pembelajaran Sistem Dinamik Menggunakan Regresi Proses Gaussian dengan Persamaan Pembezaan Biasa Analitik sebagai Maklumat Terdahulu

Shengbing TANG, Kenji FUJIMOTO, Ichiro MARUTA

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Baru-baru ini pembelajaran berasaskan data sistem dinamik telah menjadi pendekatan yang menjanjikan kerana tiada pengetahuan fizikal diperlukan. Pendekatan pembelajaran mesin tulen seperti regresi proses Gaussian (GPR) mempelajari model dinamik daripada data, dengan semua pengetahuan fizikal tentang sistem dibuang. Ini berlaku dari satu ekstrem, iaitu kaedah berdasarkan pengoptimuman model fizikal parametrik yang diperoleh daripada undang-undang fizikal, kepada yang lain. GPR mempunyai fleksibiliti yang tinggi dan mampu memodelkan mana-mana dinamik asalkan ia lancar secara tempatan, tetapi tidak boleh menyamaratakan dengan baik ke kawasan yang belum diterokai dengan sedikit atau tiada data latihan. Model fizik analitik yang diperoleh di bawah andaian adalah anggaran abstrak bagi sistem sebenar, tetapi mempunyai keupayaan generalisasi global. Oleh itu, strategi pembelajaran yang optimum adalah untuk menggabungkan GPR dengan model fizikal analitik. Kertas kerja ini mencadangkan kaedah untuk mempelajari sistem dinamik menggunakan GPR dengan persamaan pembezaan biasa analitik (ODEs) sebagai maklumat terdahulu. Penyepaduan satu langkah bagi ODE analitik digunakan sebagai fungsi min proses Gaussian sebelumnya. Jumlah parameter yang akan dilatih termasuk parameter fizikal ODE analitik dan parameter GPR. Kaedah baru dicadangkan untuk mempelajari semua parameter secara serentak, yang direalisasikan oleh GPR Bayesian sepenuhnya dan lebih menjanjikan untuk mempelajari model yang optimum. Regresi proses Gaussian standard, kaedah ODE dan kaedah sedia ada dalam literatur dipilih sebagai garis dasar untuk mengesahkan faedah kaedah yang dicadangkan. Prestasi ramalan dinilai oleh ramalan satu langkah dan ramalan jangka panjang. Dengan simulasi sistem kutub kereta, ditunjukkan bahawa kaedah yang dicadangkan mempunyai prestasi ramalan yang lebih baik.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E104-D No.9 pp.1440-1449
Tarikh penerbitan
2021/09/01
Diumumkan
2021/06/01
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2020EDP7186
Jenis Manuskrip
PAPER
kategori
Kecerdasan Buatan, Perlombongan Data

Pengarang

Shengbing TANG
  Kyoto University
Kenji FUJIMOTO
  Kyoto University
Ichiro MARUTA
  Kyoto University

Kata kunci

Contents [show]