基于物理-数据驱动的机器学习模型：IPMC 软人工肌肉非线性、动态与开环辨识的混合方法
机器学习
2022-03-04 v1 机器人学
摘要
离子聚合物金属复合材料（IPMC）是工业与生物医学应用中生物相容性材料中最受青睐的选择之一。尽管有其优势，其部分缺点包括非线性和迟滞行为，这使建模过程复杂化。在以往工作中，通常使用自回归模型预测 IPMC 执行器的行为。使用自回归模型的主要缺点是它不能用于移动和实时应用。在本研究中，我们提出了一种用于 IPMC 执行器的混合解析智能模型。该模型最突出的特点是非自回归结构。本研究所提出的混合概念可推广至 IPMC 以外的各类问题。本工作中使用的结构包含一个解析模型和一个深度神经网络，为 IPMC 执行器提供了非线性、动态且非自回归的模型。最后，所提混合模型取得的平均 NMSE 为 9.5781e-04，与其他非自回归结构相比误差率显著下降。
引用
@article{arxiv.2203.01616,
title = {Physics-Data Driven Machine Learning Based Model: A Hybrid Way for Nonlinear, Dynamic, and Open-loop Identification of IPMC Soft Artificial Muscles},
author = {Mohsen Annabestani and Mohammad Hossein Sayyad and Zahra Meskar and Mehdi Fardmanesh and Barbara Mazzolai},
journal= {arXiv preprint arXiv:2203.01616},
year = {2022}
}