.png){kind=icon}
返回
Meta-learning for physically-constrained neural system identification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130945.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了一种基于梯度的元学习框架，使NSSMs能够利用有限数据和最少的训练迭代次数快速适应新的目标系统。
• 我们通过在神经网络架构中嵌入物理信息约束，提高了黑箱系统辨识的准确性。
• 我们通过基准实验和室内定位、能源系统等实际应用，展示了增强的预测性能。
• 我们报告了在NSSMs内部对子网络进行全微调与选择性微调对最优适应效率的影响。
• 我们展示了元学习NSSMs在改进下游任务（如用于状态估计的扩展卡尔曼滤波）中的有效性。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Identification of State-space Linear Parameter-varying Models Using Artificial Neural Networks基于人工神经网络的线性参数变化状态空间模型识别
OAAI
OAAI分享收藏Physics-Constrained Deep Autoencoded Kalman Filters for Estimating Vapor Compression System States物理约束深度自编码卡尔曼滤波器用于估计蒸气压缩系统状态
PREAI
分享收藏
查看更多内容