用于学习与预测结构系统动力学的神经扩展卡尔曼滤波器
机器学习
2023-07-04 v2 计算工程、金融与科学
混沌动力学
机器学习
摘要
准确的结构响应预测是结构健康监测与控制应用的主要驱动力。这常要求所提模型充分捕捉复杂结构系统的潜在动力学。本工作中，我们利用一种可学习的扩展卡尔曼滤波器（EKF）——全文称之为神经扩展卡尔曼滤波器（Neural EKF）——来学习复杂物理系统的潜在演化动力学。Neural EKF 是传统 EKF 的推广版本，其中过程动力学与传感观测的建模可由神经网络参数化，从而通过端到端训练学习。该方法在变分推断框架下实现，由 EKF 从传感测量中进行推断。通常，传统变分推断模型由独立于潜在动力学模型的神经网络参数化。这一特性使得推断与重构精度对动力学模型的依赖较弱，并导致相关训练不充分。本工作中，我们表明 Neural EKF 所施加的结构有益于学习过程。我们在模拟与真实结构监测数据集上展示了该框架的有效性，结果表明所提方案具有显著的预测能力。
引用
@article{arxiv.2210.04165,
title = {Neural Extended Kalman Filters for Learning and Predicting Dynamics of Structural Systems},
author = {Wei Liu and Zhilu Lai and Kiran Bacsa and Eleni Chatzi},
journal= {arXiv preprint arXiv:2210.04165},
year = {2023}
}
备注
Accepted for publication in Structural Health Monitoring