A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

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 Aprendendo Sistemas Dinâmicos Usando Regressão de Processo Gaussiano com Equações Diferenciais Ordinárias Analíticas como Informação Prévia

Shengbing TANG, Kenji FUJIMOTO, Ichiro MARUTA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Recentemente, a aprendizagem de sistemas dinâmicos baseada em dados tornou-se uma abordagem promissora porque nenhum conhecimento físico é necessário. Abordagens puras de aprendizado de máquina, como a regressão de processo gaussiana (GPR), aprendem um modelo dinâmico a partir dos dados, com todo o conhecimento físico sobre o sistema descartado. Isto vai de um extremo, nomeadamente métodos baseados na otimização de modelos físicos paramétricos derivados de leis físicas, ao outro. O GPR tem alta flexibilidade e é capaz de modelar qualquer dinâmica, desde que seja localmente suave, mas não pode generalizar bem para áreas inexploradas com poucos ou nenhum dado de treinamento. O modelo físico analítico derivado de suposições é uma aproximação abstrata do verdadeiro sistema, mas possui capacidade de generalização global. Conseqüentemente, a estratégia de aprendizagem ideal é combinar o GPR com o modelo físico analítico. Este artigo propõe um método para aprender sistemas dinâmicos usando GPR com equações diferenciais ordinárias analíticas (EDOs) como informação prévia. A integração única de EDOs analíticas é usada como a função média do processo gaussiano anterior. Os parâmetros totais a serem treinados incluem parâmetros físicos de EDOs analíticas e parâmetros de GPR. Um novo método é proposto para aprender simultaneamente todos os parâmetros, o que é realizado pelo GPR totalmente Bayesiano e mais promissor para aprender um modelo ideal. A regressão do processo gaussiano padrão, o método EDO e o método existente na literatura são escolhidos como linhas de base para verificar o benefício do método proposto. O desempenho preditivo é avaliado tanto pela previsão de uma única etapa quanto pela previsão de longo prazo. Pela simulação do sistema carrinho-pólo, demonstra-se que o método proposto possui melhor desempenho preditivo.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.9 pp.1440-1449
Data de publicação
2021/09/01
Publicitada
2021/06/01
ISSN online
1745-1361
DOI
10.1587/transinf.2020EDP7186
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

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

Palavra-chave