高斯过程端口哈密顿系统：基于物理先验的贝叶斯学习
系统与控制
2023-05-17 v1 机器学习
系统与控制
摘要
数据驱动方法在基于所收集数据对复杂动力学进行建模方面取得了显著成果。然而，这些模型常常忽略决定任何真实系统行为的基本物理原理。这种遗漏在两方面是不利的：通过融入物理先验知识，模型本可以具有更高的数据效率，而模型本身可能在物理上并不正确。我们提出高斯过程端口哈密顿系统（GP-PHS）作为一种具有不确定性量化的物理信息贝叶斯学习方法。GP-PHS的贝叶斯特性利用所收集的数据在所有可能的哈密顿量上形成分布，而非单一的点估计。由于底层物理模型，GP-PHS针对指定输入和输出生成无源系统。此外，所提出的方法保留了端口哈密顿系统的组合性质。
引用
@article{arxiv.2305.09017,
title = {Gaussian Process Port-Hamiltonian Systems: Bayesian Learning with Physics Prior},
author = {Thomas Beckers and Jacob Seidman and Paris Perdikaris and George J. Pappas},
journal= {arXiv preprint arXiv:2305.09017},
year = {2023}
}
备注
Accepted at the IEEE Conference on Decision and Control 2022