面向控制设计的循环神经网络终身学习
系统与控制
2022-08-09 v1 机器学习
系统与控制
摘要
本文提出了一种用于循环神经网络（如NNARX、ESN、LSTM和GRU）终身学习的方法，以将其用作控制系统综合中的对象模型。该问题具有重要意义，因为在许多实际应用中，需要在新信息可用和/或系统发生变化时自适应模型，而无需随时间存储不断增加的数据量。事实上，在此背景下会出现许多问题，例如众所周知的灾难性遗忘与容量饱和问题。我们提出了一种受移动时域估计器启发的自适应算法，推导了其收敛条件。所述方法应用于一个模拟化工厂，该厂已被现有文献采用为具有挑战性的基准。讨论了所取得的主要结果。
引用
@article{arxiv.2208.03980,
title = {Towards lifelong learning of Recurrent Neural Networks for control design},
author = {Fabio Bonassi and Jing Xie and Marcello Farina and Riccardo Scattolini},
journal= {arXiv preprint arXiv:2208.03980},
year = {2022}
}
备注
Copyright 2022 EUCA. This article appears in the Proceedings of the 2022 European Control Conference (ECC'22), July 12-15, 2022, London, pp. 2018-2023