Nonlinear Discrete-Time Observers with Physics-Informed Neural Networks
数值分析
2024-11-05 v1 人工智能
数值分析
动力系统
摘要
我们利用物理信息神经网络（PINNs）求解离散时间非线性观测器状态估计问题。所提出的 PINN 方法集成在单步精确观测器线性化框架内，旨在通过求解非齐次泛函方程组来学习非线性状态变换映射。我们通过两个说明性案例研究评估了所提 PINN 方法的性能，在这些案例中，观测器线性化变换映射可以解析推导得出。我们还对提出的 PINN 方案进行了不确定性量化分析，并将其依赖于计算幂级数解的传统幂级数数值实现进行了比较。
引用
@article{arxiv.2402.12360,
title = {Nonlinear Discrete-Time Observers with Physics-Informed Neural Networks},
author = {Hector Vargas Alvarez and Gianluca Fabiani and Ioannis G. Kevrekidis and Nikolaos Kazantzis and Constantinos Siettos},
journal= {arXiv preprint arXiv:2402.12360},
year = {2024}
}