基于有序状态方差的状态空间神经网络学习非线性降阶模型
系统与控制
2024-12-18 v2 系统与控制
摘要
本文提出一种具有有序方差的状态空间神经网络 (State-Space Neural Network with Ordered variance, SSNNO)，其中状态变量按方差降序排列。提出了一种系统化的 SSNNO 降阶建模方法，导致 Reduced order SSNNO (R-SSNNO)。给出任意输出预测误差界的 SSNNO 存在性理论结果。讨论了 SSNNO 在控制领域：模型预测控制 (Model Predictive Control, MPC) 和状态估计：扩展卡尔曼滤波器 (Extended Kalman Filter, EKF) 的应用。通过对非线性连续反应器过程的仿真实验说明了 SSNNO 在系统辨识和控制中的有效性。
引用
@article{arxiv.2406.10359,
title = {Learning Nonlinear Reduced Order Models using State-Space Neural Networks with Ordered State Variance},
author = {Midhun T. Augustine and Mani Bhushan and Sharad Bhartiya},
journal= {arXiv preprint arXiv:2406.10359},
year = {2024}
}
备注
15 pages, 3 figures