基于状态空间 K-A-N 网络的可解释非线性系统辨识
机器学习
2025-06-24 v1 系统与控制
系统与控制
摘要
虽然黑盒系统辨识模型准确率高，但缺乏对底层系统动力学的可解释性。本文提出了状态空间 K-A-N 网络（State-Space Kolmogorov-Arnold Networks，SS-KAN），通过将 Kolmogorov-Arnold 网络集成到状态空间框架中来解决这一挑战。该模型在两个基准系统上进行验证：Silverbox 和 Wiener-Hammerstein。结果表明，SS-KAN 由于稀疏化正则化及直接可视化其学习的单变量函数，能够揭示系统非线性，尽管在准确率上不及最新的黑盒模型，突显了 SS-KAN 作为一种可平衡非线性系统动力学可解释性与准确性的有前景的方法。
引用
@article{arxiv.2506.16392,
title = {State-Space Kolmogorov Arnold Networks for Interpretable Nonlinear System Identification},
author = {Gonçalo Granjal Cruz and Balazs Renczes and Mark C Runacres and Jan Decuyper},
journal= {arXiv preprint arXiv:2506.16392},
year = {2025}
}
备注
Accepted for IEEE Control Systems Letters