具输出误差噪声模型的 Port-Hamiltonian 神经网络
机器学习
2025-02-21 v1
摘要
哈密顿神经网络 (Hamiltonian neural networks, HNNs) 是一类以哈密顿理论为基础的物理感知深度学习方法，然而其直接应用于工程系统常面临外部输入、耗散及噪声测量等实际问题。本文提出一种新框架，增强 HNNs 处理此类现实因素的能力。通过将端口哈密顿理论 (port-Hamiltonian theory) 融入神经网络结构，实现外部输入与耗散的纳入，同时通过输出误差 (output-error, OE) 模型结构缓解测量噪声影响。得到的输出误差端口哈密顿神经网络 (OE-pHNNs) 可用于处理带有噪声测量的复杂工程系统建模。进一步，本文基于子空间编码器方法 (subspace encoder approach, SUBNET) 提出 OE-pHNNs 的辨识方法，该方法利用数据子块高效逼近完整模拟损失，并通过编码器函数预测初始状态。将 SUBNET 与 OE-pHNNs 集成，实现了在噪声测量条件下复杂工程系统的一致性建模。此外，本文进行一致性分析，确保所提数据驱动模型学习方法的可靠性。在系统识别基准测试中验证了方法有效性，展示其在现实世界应用中建模动态系统的潜力。
引用
@article{arxiv.2502.14432,
title = {Port-Hamiltonian Neural Networks with Output Error Noise Models},
author = {Sarvin Moradi and Gerben I. Beintema and Nick Jaensson and Roland Tóth and Maarten Schoukens},
journal= {arXiv preprint arXiv:2502.14432},
year = {2025}
}
备注
Preprint submitted to Automatica