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
相关材料