基于物理约束的Taylor神经网络用于动力系统的学习与控制
系统与控制
2024-10-04 v1 系统与控制
摘要
数据驱动方法因感知数据的提高精度和可得性而日益流行于动力系统识别。然而，仅依赖数据进行识别并不保证所识别系统保持其物理属性，或预测模型能够良好泛化。在本文中，我们提出了一种通过将神经网络作为泰勒级数展开的一阶导数来进行系统识别的新方法，以取代直接学习动力学函数。该方法称为单调Taylor神经网络（MTNN），旨在通过约束神经网络模型输出满足单调性条件来确保动力系统的单调性，即输出始终为非正或非负。这些条件以两种方式构建：通过设计新的神经网络结构或通过正则化损失函数进行训练。该方法在两个实际系统的实验数据测试中表现优于不对系统单调性进行约束的方法，包括HVAC和TCLab。此外，MTNN在使用模型预测控制器控制非线性MIMO系统时显示出良好的性能，说明了该方法的实际应用前景。
引用
@article{arxiv.2410.02258,
title = {Physics-Constrained Taylor Neural Networks for Learning and Control of Dynamical Systems},
author = {Nam T. Nguyen and Juan C. Tique},
journal= {arXiv preprint arXiv:2410.02258},
year = {2024}
}