物理信息驱动的循环神经网络结构化学习及其保证性质
系统与控制
2026-03-27 v1 系统与控制
摘要
本文提出了一种物理信息驱动的学习框架，适用于一类面向大规模和网络化系统的循环神经网络。该方法旨在学习能够保留被控对象结构和稳定性性质的控制导向模型。学习算法被表述为一个凸优化问题，允许引入线性矩阵不等式约束以强制实现期望的系统特性。此外，当被控对象表现出结构模块化时，所得优化问题可以并行化，仅需在相邻子系统之间进行通信。仿真结果验证了所提方法的有效性。
引用
@article{arxiv.2603.25574,
title = {Physics-informed structured learning of a class of recurrent neural networks with guaranteed properties},
author = {Daniele Ravasio and Claudia Sbardi and Marcello Farina and Andrea Ballarino},
journal= {arXiv preprint arXiv:2603.25574},
year = {2026}
}