基于数据驱动混合动力学和非光滑ODE的加速并行学习算法

Daniel E.Ochoa、Jorge I.Poveda、Anantharam Subbaraman、Gerd S.Schmidt、Farshad R.Pour-Safaei
第三届动力学和控制学习会议记录，PMLR 144:866-8782021年。

摘要

我们介绍了一类新的数据驱动的加速并行学习算法。这些算法适用于解决具有收敛证书的高性能系统辨识和参数估计问题，在标准激励持续性（PE）条件难以先验验证的情况下。为了实现（一致）快速收敛，所提出的算法利用了信息丰富的数据集的存在性，以及某些非光滑正则化，这些正则化生成了一系列非Lipschitz动力学，建模为数据驱动的常微分方程（DD-ODE）和/或数据驱动的混合动力系统（DD-HDS）。在每种情况下，我们通过李亚普诺夫理论提供稳定性和收敛性证明。此外，为了说明所提算法的优点，我们考虑了锂离子电池中的在线估计问题，其中PE条件的满足很难验证。

引用本文

BibTeX公司
@会议记录{pmlr-v144-ochoa21a，title={基于数据驱动混合动力学和非光滑的加速并行学习算法{ODE}秒},作者={奥乔亚、丹尼尔·E·和波维达、豪尔赫·I·和苏巴拉曼、阿南萨拉姆和施密特、格尔德·S·和波尔·萨菲、法沙德·R·}，booktitle={第三届动力学和控制学习会议记录}，页数={866--878}，年份＝{2021}，editor={贾巴比、阿里和莱杰罗斯、约翰和帕帕斯、乔治J.和A.帕里罗、巴勃罗和雷希特、本杰明和汤姆林、克莱尔J.和泽林格、梅兰妮N.}，体积={144}，series={机器学习研究论文集}，月={07--08年6月}，publisher={PMLR}，pdf={http://proceedings.mlr.press/v144/ochoa21a/ochoa21a.pdf},url={https://proceedings.mlr.press/v144/ochoa21a.html},abstract={我们介绍了一类新的数据驱动的加速并行学习算法。这些算法适用于解决具有收敛证书的高性能系统识别和参数估计问题，在标准激励持续性（PE）的情况下条件很难先验验证。为了实现（一致）快速收敛，所提出的算法利用了信息丰富的数据集的存在性，以及某些非光滑正则化，这些正则化生成了一系列以数据驱动的常微分方程（DD-ODE）为模型的非李普希兹动力学和/或数据驱动混合动力系统（DD-HDS）。在每种情况下，我们通过李亚普诺夫理论提供稳定性和收敛性证明。此外，为了说明所提算法的优点，我们考虑了锂离子电池中的在线估计问题，其中PE条件的满足很难验证。}}
尾注
%0会议论文%基于数据驱动混合动力学和非光滑ODE的T加速并行学习算法%丹尼尔·奥乔亚%豪尔赫·波维达%阿南塔兰·苏巴拉曼%A Gerd S.施密特%A Farshad R.Pour-Safaei先生%B第三届动力学和控制学习会议记录%C机器学习研究进展%D 2021年%E阿里·贾德巴比%E约翰·利格罗斯%E乔治·J·帕帕斯%E巴勃罗·帕里罗%E本杰明·雷希特%E克莱尔·汤姆林%E梅兰妮·泽林格%F pmlr-v144-ochoa21a%我PMLR%第866-878页%U型https://proceedings.mlr.press/v144/ochoa21a.html%V 144型%我们介绍了一类新的数据驱动的加速并行学习算法。这些算法适用于解决具有收敛证书的高性能系统辨识和参数估计问题，在标准激励持续性（PE）条件难以先验验证的情况下。为了实现（一致）快速收敛，所提出的算法利用了信息丰富的数据集的存在性，以及某些非光滑正则化，这些正则化生成了一系列非Lipschitz动力学，建模为数据驱动的常微分方程（DD-ODE）和/或数据驱动的混合动力系统（DD-HDS）。在每种情况下，我们通过李亚普诺夫理论提供稳定性和收敛性证明。此外，为了说明所提算法的优点，我们考虑了锂离子电池中的在线估计问题，其中PE条件的满足很难验证。
阿帕
Ochoa，D.E.、Poveda，J.I.、Subbaraman，A.、Schmidt，G.S.和Pour-Safaei，F.R.（2021）。通过数据驱动混合动力学和非光滑ODE的加速并行学习算法。第三届动力学和控制学习会议记录，英寸机器学习研究进展144:866-878网址：https://proceedings.mlr.press/v144/ochoa21a.html。

相关材料