利用LSTM自编码器和归一化流进行数据驱动的非线性动力系统辨识
机器学习
2025-03-07 v1
摘要
虽然线性系统在解决不同领域的问题中已被证明是有用的，但为提升性能和效率的需求促使其在非线性模式下运行。因此，非线性模型对于这些系统的设计与控制至关重要。然而，识别非线性系统比识别线性系统更为复杂。因此，对非线性系统进行建模与识别对于复杂系统的设计、制造和测试至关重要。本研究提出了一种基于深度学习的先进非线性方法用于系统辨识。两种深度神经网络模型——LSTM自编码器和归一化流——被探索用于从时间序列数据中提取时序特征并将其与系统参数相关联。所提出的框架为非线性系统辨识提供了一种非线性方法，使其能够处理复杂系统。作为案例研究，我们考虑了Duffing系统和Lorenz系统，以及流体流动，如圆柱绕流和二维顶驱动腔问题。结果表明，所提出的框架能够捕捉特征并有效地将其与系统参数相关联，满足非线性系统的辨识要求。
引用
@article{arxiv.2503.03977,
title = {Data-driven identification of nonlinear dynamical systems with LSTM autoencoders and Normalizing Flows},
author = {Abdolvahhab Rostamijavanani and Shanwu Li and Yongchao Yang},
journal= {arXiv preprint arXiv:2503.03977},
year = {2025}
}