使用深度编码器网络的非线性状态空间辨识
机器学习
2021-04-29 v2 系统与控制
系统与控制
摘要
动力系统的非线性状态空间辨识最常通过最小化仿真误差来进行，以减小模型误差的影响。对于大型数据集，该优化问题计算代价高昂。此外，该问题也高度非凸，常导致次优参数估计。本文引入一种方法，通过将数据集拆分为多个独立段（类似于多重打靶法）来近似仿真损失。这一拆分操作允许使用随机梯度优化方法，其随数据集大小具有良好的可扩展性，并对非凸代价函数具有平滑效应。本文的主要贡献是引入了一个编码器函数，用于估计每一段起始处的初始状态。该编码器函数利用前馈神经网络，基于历史输入与输出样本来估计初始状态。所提出的状态空间编码器方法的效率与性能在两个知名基准上得到展示，例如，该方法在 Wiener--Hammerstein 基准上取得了已知最低的仿真误差。
引用
@article{arxiv.2012.07697,
title = {Nonlinear state-space identification using deep encoder networks},
author = {Gerben Beintema and Roland Toth and Maarten Schoukens},
journal= {arXiv preprint arXiv:2012.07697},
year = {2021}
}
备注
Accepted to l4dc 2021 (revised with reviewer feedback)