.png){kind=icon}
返回
Learning-based model augmentation with LFRs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ejcon.2025.101304.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非线性系统辨识（NL-SI）已被证明在为高度复杂系统获取精确模型方面是有效的。特别是，近期基于编码器的人工神经网络状态空间（ANN-SS）模型方法在各类基准测试中达到了最先进的性能，同时提供了一致性和计算效率。系统先验知识的纳入可以被利用来增加：(i) 估计速度，(ii) 精度，以及 (iii) 所得模型的可解释性。本文提出了一种基于编码器的模型增强方法，该方法整合了来自第一性原理（FP）模型的先验知识。我们引入了一种新颖的线性分式表示（LFR）模型结构，该结构允许对各种增强结构（包括文献中常用的结构）进行统一表示，并提出了一个辨识算法，用于估计所提出的结构，同时结合适当的初始化方法。所提出方法的表现和泛化能力通过在一个硬化质量-弹簧-阻尼系统仿真案例研究和Bouc-Wen非线性系统辨识基准测试中得到验证。
Keyword:
nonlinear system identification
encoder-based models
prior knowledge incorporation
linear-fractional-representation
state-space models
期刊
IF:
2.6
论文数:
363
被引数:
2.5K
机构
引用论文
Computationally efficient identification of continuous-time Lur'e-type systems with stability guarantees.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏Continuous-time system identification with neural networks: Model structures and fitting criteriaOAAI
OAAI分享收藏Integrating Scientific Knowledge with Machine Learning for Engineering and Environmental Systems将科学知识与机器学习相结合，用于工程和环境系统
OAAI
OAAI分享收藏A comprehensive hybrid first principles/machine learning modeling framework for complex industrial processes复杂工业过程的综合混合第一原理/机器学习建模框架OAAI
OAAI分享收藏
查看更多内容