面向系统辨识的稳定型LPV神经网络状态空间模型
系统与控制
2025-10-30 v1 人工智能
机器学习
系统与控制
摘要
准确建模非线性系统对于可靠控制至关重要，但常规辨识方法往往难以捕获潜在动力学且保持稳定性。我们提出一种稳定型LPV神经网络状态空间(NN-SS)模型，同时从数据中学习潜在状态和内部调度变量。该模型的状态转移矩阵由使用所学习调度变量生成的神经网络生成，通过施克分解法参数化确保其稳定。该架构结合了用于初始状态估计的编码器与构建完整调度依赖系统矩阵的状态空间表示网络。对于NN-SS的训练，我们开发了一种框架，将多步预测损失与状态一致性正则化项集成，确保对漂移的鲁棒性并提高长期预测精度。对所提出的NN-SS进行了在基准非线性系统上的评估，结果表明，该模型始终匹配或超越了经典子空间辨识方法和最新梯度基于方法。这些发现凸显了受控稳定性神经LPV辨识作为一种可扩展且可靠的非线性系统建模框架的潜力。
引用
@article{arxiv.2510.24757,
title = {Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification},
author = {Ahmet Eren Sertbaş and Tufan Kumbasar},
journal= {arXiv preprint arXiv:2510.24757},
year = {2025}
}
备注
In the 12th International Conference of Image Processing, Wavelet and Applications on Real World Problems, 2025