关于循环神经网络在系统辨识中的自适应
机器学习
2022-01-24 v1 人工智能
系统与控制
系统与控制
摘要
本文提出一种迁移学习方法，可实现循环神经网络（RNN）动力学系统模型的快速高效自适应。首先利用可用测量数据辨识一个标称 RNN 模型。随后假设系统动态发生变化，导致标称模型在扰动系统上的性能出现不可接受的退化。为应对失配，模型被增补一个加性修正项，该修正项在新动态机制下的新数据上训练。修正项通过雅可比特征回归（JFR）方法学习，该方法依据模型相对于其标称参数所张成的雅可比特征定义。我们还提出了该方法的非参数视角，将近期关于带神经正切核的高斯过程（NTK-GP）的研究扩展至 RNN 情形（RNTK-GP）。这对于超大型网络或仅有极少数据点可用时更为高效。文中描述了用于快速高效计算修正项以及 RNN 模型初始状态估计的实现细节。数值算例显示了所提方法在显著系统变化下的有效性。
引用
@article{arxiv.2201.08660,
title = {On the adaptation of recurrent neural networks for system identification},
author = {Marco Forgione and Aneri Muni and Dario Piga and Marco Gallieri},
journal= {arXiv preprint arXiv:2201.08660},
year = {2022}
}