用于磁滞建模的神经振荡器
机器学习
2023-08-24 v1 神经与进化计算
系统与控制
系统与控制
计算物理
摘要
滞后是科学与工程中的普遍现象;其建模与辨识对于理解和优化各类系统的行为至关重要。我们开发了一种基于常微分方程的循环神经网络(RNN)方法来建模和量化滞后现象,其表现为序列性和历史依赖性。我们的神经振荡器HystRNN从耦合振荡RNN和唯象滞后模型中汲取灵感来更新隐藏状态。HystRNN的性能通过预测广义场景进行评估,涉及一阶反转曲线和次环。研究结果表明,HystRNN能够将其行为泛化到先前未训练的区域,这是滞后模型必须具备的关键特性。本研究凸显了神经振荡器相对于传统基于RNN的方法在捕捉磁性材料复杂滞后模式上的优势,传统依赖于速率的方法不足以捕捉内在非线性。
引用
@article{arxiv.2308.12002,
title = {Neural oscillators for magnetic hysteresis modeling},
author = {Abhishek Chandra and Taniya Kapoor and Bram Daniels and Mitrofan Curti and Koen Tiels and Daniel M. Tartakovsky and Elena A. Lomonova},
journal= {arXiv preprint arXiv:2308.12002},
year = {2023}
}