利用浅层循环解码器网络借助任意移动传感器轨迹实现全状态重构
机器学习
2023-07-25 v1 动力系统
摘要
感知是对复杂时空系统进行监测、预测和控制的最基本任务之一。在许多应用中，数量有限的传感器是移动的并随动力学运动，例子包括可穿戴技术、海洋监测浮标和气象气球。在这些动态系统（无统计独立区域）中，测量时间历程编码了大量可提取用于关键任务的信息。大多数无模型感知范式旨在将当前稀疏传感器测量映射到高维状态空间，完全忽略了时间历程。利用现代深度学习架构，我们展示了通过带有解码器网络的序列到向量模型（如 LSTM（长短期记忆）网络），可将动态轨迹信息映射到全状态空间估计。事实上，我们证明，通过利用带有浅层循环解码器网络的移动传感器轨迹，我们可以训练该网络：(i) 使用传感器的任意动力学轨迹精确重构全状态空间，(ii) 与固定传感器相比，该架构降低了重构误差均方误差的方差，以及 (iii) 该架构还允许对训练集外数据进行快速泛化（动力学参数化）。此外，只要传感器的空间轨迹训练数据可用，传感器的路径可任意选择。该网络架构的卓越性能在三个应用上得到展示：湍流流场、全球海表温度数据以及人体运动生物力学。
引用
@article{arxiv.2307.11793,
title = {Leveraging arbitrary mobile sensor trajectories with shallow recurrent decoder networks for full-state reconstruction},
author = {Megan R. Ebers and Jan P. Williams and Katherine M. Steele and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2307.11793},
year = {2023}
}
备注
11 pages, 5 figures, 2 tables