面向受物理约束的神经系统辨识的元学习

我们提出一种基于梯度的元学习框架，用于快速适应神经状态空间模型（NSSM）进行黑盒系统辨识。当适用时，我们还会纳入特定于领域的物理约束，以提高 NSSM 的准确性。我们方法的主要优势在于：与仅依赖单个目标系统数据不同，我们的框架利用来自多样化源系统的数据，使能够从有限的目标数据中学习，以及在 few online 训练迭代的情况下进行学习。通过基准示例，我们展示了该方法的潜力，研究了细调子网络而非完整细调的效果，并报告了实际案例，说明该方法在实际问题中具有可行性和可推广性，尤其是在受物理约束的环境下。具体而言，我们表明元学习得到的模型在室内定位和能源系统中的基于模型的状态估计中表现出更好的下游性能。