噪声注入对动态灰箱模型构建的益处
机器学习
2023-10-04 v1 系统与控制
系统与控制
摘要
灰箱模型相较于黑箱方法，在设备仿真器开发中具有显著优势，因为其物理集成在训练域外提供了更高的模型可信度。然而，模型非线性、未建模动态和局部极小等挑战给灰箱构建引入了不确定性，当代方法未能克服这些不确定性，导致其性能劣于黑箱模型。本文试图通过将噪声注入训练数据集来解决这些不确定性。该噪声注入丰富了数据集，并针对此类不确定性提供了一定程度的鲁棒性。以水-水换热器动态模型作为该方法的演示案例，并使用一对真实设备与实时数据流进行测试。与未处理信号数据相比，噪声注入的应用使建模误差（均方根误差）显著减小，从 0.68 降至 0.27 °C。在训练集上评估时该改进达 60%，在测试集与验证集上分别有 50% 与 45% 的改进。
引用
@article{arxiv.2310.01517,
title = {The Benefit of Noise-Injection for Dynamic Gray-Box Model Creation},
author = {Mohamed Kandil and J. J. McArthur},
journal= {arXiv preprint arXiv:2310.01517},
year = {2023}
}
备注
47 pages, 15 figures, initial manuscript self-archiving prior to submission to ADVEI