基于子空间编码器方法的非线性状态空间辨识初始化方法
系统与控制
2023-04-10 v2 机器学习
系统与控制
摘要
SUBNET神经网络架构已被开发用于从输入输出数据辨识非线性状态空间模型。为此，它结合了展开的非线性状态空间方程和一个状态编码器函数，两者均参数化为神经网络。引入编码器函数以从过去的输入输出数据重建当前状态。因此，它实现了展开状态空间模型的前向仿真。虽然该方法已被证明能提供高精度且一致的模型估计，但其收敛性可通过训练过程的有效初始化而显著改善。本文聚焦于利用最佳线性近似（BLA）对这种子空间编码器方法进行初始化。利用BLA提供的状态空间矩阵及其关联的可重构性映射，对网络的状态转移部分和编码器进行初始化。改进初始化方案的性能在Wiener-Hammerstein仿真示例和基准数据集上进行了评估。结果表明，对于弱非线性系统，所提出的基于线性可重构性映射的初始化实现了更快的收敛和更好的模型质量。
引用
@article{arxiv.2304.02119,
title = {Initialization Approach for Nonlinear State-Space Identification via the Subspace Encoder Approach},
author = {Rishi Ramkannan and Gerben I. Beintema and Roland Tóth and Maarten Schoukens},
journal= {arXiv preprint arXiv:2304.02119},
year = {2023}
}
备注
Accepted for presentation at the IFAC World Congress 2023