通过端口-哈密顿神经网络学习非线性系统中的子系统动力学
系统与控制
2024-11-11 v1 机器学习
系统与控制
摘要
端口-哈密顿神经网络 (pHNNs) 作为一种将物理定律与深度学习技术集成的强大建模工具正在兴起。虽然大多数研究聚焦于建模互联系统的整体动力学，但识别并建模作为更大系统一部分运行的各个子系统的潜力一直被忽视。本研究通过引入一种利用 pHNNs 仅基于输入-输出测量来识别此类子系统的新方法来解决这一空白。通过利用端口-哈密顿系统固有的组合性质，我们开发了一种在不直接访问子系统内部状态的情况下学习其动力学的算法。在此基础上，通过选择输出误差 (OE) 模型结构，我们能够有效处理测量噪声。通过在互联系统（包括多物理场场景）上的测试验证了所提方法的有效性，展示了其在识别子系统动力学以及促进其集成到新的互联模型中的潜力。
引用
@article{arxiv.2411.05730,
title = {Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks},
author = {G. J. E. van Otterdijk and S. Moradi and S. Weiland and R. Tóth and N. O. Jaensson and M. Schoukens},
journal= {arXiv preprint arXiv:2411.05730},
year = {2024}
}
备注
Preprint submitted to ECC 2025