神经网络训练策略在动力系统仿真中的比较
机器学习
2026-01-06 v2 机器学习
摘要
神经网络已成为从数据建模非线性动力系统的广泛采纳工具，但训练策略的选择仍是关键设计决策，尤其对于仿真任务。本文比较了两种主要训练策略：parallel和series-parallel训练。所进行的实证分析涵盖五种神经网络架构和两个示例：气动阀门测试台和工业机器人基准。研究结果表明，尽管series-parallel训练占当前实践的主导地位，parallel训练始终能yield更好的长期预测精度。此外，本工作阐明了文献中常不一致的术语，并将两种策略与系统辨识概念关联。研究结果表明，应将parallel训练视为神经网络用于动力系统仿真的默认训练策略。
引用
@article{arxiv.2512.03851,
title = {Comparison of neural network training strategies for the simulation of dynamical systems},
author = {Paul Strasser and Andreas Pfeffer and Jakob Weber and Markus Gurtner and Andreas Körner},
journal= {arXiv preprint arXiv:2512.03851},
year = {2026}
}
备注
submitted to ECC 2026