用于改进动态系统神经网络模型准确性的新型神经滤波器
机器学习
2025-06-10 v2 动力系统
摘要
神经网络在动态系统建模中得到广泛应用，因其能够估计复杂非线性函数。尽管效果显著，神经网络在长期预测中面临挑战——预测误差随时间发散，导致准确性下降。本文提出一种神经滤波器，以增强神经网络建模动态系统长期状态预测的准确性。该神经滤波器灵感来源于扩展卡尔曼滤波，结合神经网络的状态预测与物理系统的测量数据，以提高估计状态的准确性。通过应用于四个非线性动力系统，展示了神经滤波器对预测准确性的提升。数值实验表明，神经滤波器显著改善了预测准确性并约束了状态估计协方差，超越神经网络预测的性能。进一步地，我们还发现， poorly 训练的神经网络模型的准确性可提升至与充分训练的神经网络模型相当，从而潜在降低训练神经网络的成本和所需数据。
引用
@article{arxiv.2409.13654,
title = {A Novel Neural Filter to Improve Accuracy of Neural Network Models of Dynamic Systems},
author = {Parham Oveissi and Turibius Rozario and Ankit Goel},
journal= {arXiv preprint arXiv:2409.13654},
year = {2025}
}