.png){kind=icon}
返回
Uniform error bounds for quantized dynamical models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ifacsc.2026.100373.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提供了关于从依赖数据序列学习得到的动力学模型精度的统计保证。具体而言，我们开发了适用于量化模型和不完美优化算法的统一误差界限，这些算法通常用于系统辨识，特别是在混合系统辨识的实践中。获得了两类界限：通过块分解得到的慢速界限和通过新颖的间隔点策略得到的快速、方差自适应界限。这些界限随编码模型所需的位数变化，从而将硬件约束转化为可解释的统计复杂度。(c) 2026 Elsevier Ltd. All rights are reserved, including those for text and data mining, AI training, and similar technologies.
Keyword:
System identification
Statistical learning theory
Dependent data
期刊
I
IF:
1.8
论文数:
80
被引数:
317
机构
引用论文
Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference用于有效的仅整数算术推理的神经网络的量化和训练
OAAI
OAAI分享收藏
Finite sample properties of system identification of ARX models under mixing conditions.png)
AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏
查看更多内容