伊丽莎·内格里尼;乔瓦娜·西蒂;卢卡·卡波尼亚 通过Lipschitz正则化深度神经网络进行系统识别。 (英语) Zbl 07515450号 J.计算。物理学。 444,文章ID 110549,第23页(2021). 摘要:在本文中,我们使用神经网络从数据中学习控制方程。具体来说,我们使用神经网络直接从观测到的均匀时间采样数据重建ODEs系统的右侧(dot{x}(t)=f(t,x(t))。与其他基于神经网络的方法相比,我们在损失函数中添加了Lipschitz正则化项。在合成示例中,我们根据经验观察到,与非正则化模型相比,无论是在轨迹数据还是非轨迹数据上,尤其是在存在噪声的情况下,这种正则化都会产生更平滑的近似函数和更好的泛化性能。与稀疏回归方法相比,由于神经网络是通用逼近器,我们不需要任何关于ODE系统的先验知识。由于该模型是以组件方式应用的,因此它可以处理任何维度的系统,使其可用于实际数据。 引用于4文件 MSC公司: 68泰克 人工智能 35季度xx 数学物理偏微分方程及其他应用领域 93立方厘米 控制理论中的模型系统 关键词:机器学习;深度学习;系统标识;常微分方程;泛化差距;正则化网络 软件:SciPy公司;蟒蛇;PyTorch公司 PDF格式BibTeX公司 XML格式引用 \textit{E.Negrini}等人,《计算杂志》。物理学。444,文章ID 110549,23 p.(2021;Zbl 07515450) 全文: 内政部 arXiv公司 参考文献: [1] 亚瑟·S·阿布·穆斯塔法。;Magdon-Ismail,Malik;Lin,Hsuan-Tien,《从数据中学习》,第4卷(2012),AMLBook New York:AMLBook New York,USA [2] Bartlett,Peter L.,为了有效地推广,权重的大小比网络的大小更重要,(神经信息处理系统进展(1997)),134-140 [3] 彼得·L·巴特利特。;迪伦·福斯特(Dylan J.Foster)。;Telgarsky,Matus,《神经网络的光谱规范化边际界限》(Guyon,Isabelle;von Luxburg,Ulrike;Bengio,Samy;Wallach,Hanna M.;Fergus,Rob;Vishwanathan,S.V.N.;Garnett,Roman,《2017年神经信息处理系统年会》)。2017年神经信息处理系统年会,2017年12月4日至9日,美国加利福尼亚州长滩。2017年神经信息处理系统年度会议,2017年12月4日至9日,美国加利福尼亚州长滩,神经信息处理体系进展,第30卷(2017),6240-6249 [4] Jens Berg;Nyström,Kaj,PDE的神经网络增强逆问题(2017),预印本·Zbl 1451.68239号 [5] Jens Berg;Nyström,Kaj,复杂数据集中PDE的数据驱动发现,J.Compute。物理。,384, 239-252 (2019) ·Zbl 1451.68239号 [6] Billings,Stephen A.,《非线性系统识别:时间、频率和时空域中的NARMAX方法》(2013),John Wiley&Sons·Zbl 1287.93101号 [7] Steven L.Brunton。;约书亚·L·普罗克托。;Kutz,J.Nathan,通过非线性动力系统的稀疏识别从数据中发现控制方程,Proc。国家。阿卡德。科学。,113, 15, 3932-3937 (2016) ·兹比尔1355.94013 [8] 布迪什奇,马尔科;Ryan Mohr;Mezić,Igor,应用库普曼主义,混沌交叉。非线性科学杂志。,第22、4条,第047510页(2012年)·Zbl 1319.37013号 [9] Calliess、Jan-Peter、Bayesian Lipschitz常数估计和求积、神经信息处理系统进展(2015) [10] 冠军凯萨琳;贝萨尼·卢什;库茨(J.Nathan Kutz);Brunton,Steven L.,数据驱动的坐标和控制方程发现,Proc。国家。阿卡德。科学。,116, 45, 22445-22451 (2019) ·Zbl 1433.68396号 [11] Choon,Ong Hong;Hoong,Leong Chee;Huey,Tai Sheue,神经网络和多项式回归之间的函数近似比较,WSEAS Trans。数学。,7, 6, 353-363 (2008) [12] George Cybenko,《通过sigmoid函数的叠加进行逼近》,数学。控制信号系统。,2, 4, 303-314 (1989) ·Zbl 0679.94019号 [13] Dinh,Huyen;巴辛、舒本德;Dixon,Warren E.,一类非线性系统基于动态神经网络的鲁棒辨识与控制,(第49届IEEE决策与控制会议(CDC)(2010),IEEE),5536-5541 [14] 萨尔瓦多加西亚;鲁昂戈,朱利安;Herrera,Francisco,数据挖掘中的数据预处理(2015),Springer [15] 亨利·古克(Henry Gouk);Frank,Eibe;伯恩哈德·普法林格;Michael Cree,《通过加强Lipschitz连续性实现神经网络正则化》(2018年),预印本·Zbl 07432806号 [16] 阿里·哈桑;Joáo M.Pereira。;Robert Ravier;Farsiu、新浪;Tarokh,Vahid,使用神经网络从数据中学习偏微分方程,(ICASSP 2020-2020 IEEE声学、语音和信号处理国际会议(ICASSS)(2020),IEEE),3962-3966 [17] 哈塞利、马西赫;Cortés,Jorge,使用噪声数据逼近Koopman算子:抗噪声扩展动态模式分解,(2019年美国控制会议(ACC)(2019),IEEE),5499-5504 [18] Kotsiantis,S.B。;Kanellopoulos,迪米特里斯;Pintelas,P.E.,《监督学习的数据预处理》,国际计算机杂志。科学。,1, 2, 111-117 (2006) [19] 约翰·库舍夫斯基(John G.Kuschewski)。;Hui,Stefen;Zak,Stanislaw H.,前馈神经网络在动态系统辨识和控制中的应用,IEEE Trans。控制系统。技术。,1, 1, 37-49 (1993) [20] 莱什诺,莫舍;弗拉基米尔·亚林;阿兰·平库斯(Allan Pinkus);Schocken,Shimon,具有非多项式激活函数的多层前馈网络可以近似任何函数,神经网络。,6, 6, 861-867 (1993) [21] Lennart,Ljung,《系统识别视角》,年。版本控制,34,1,1-12(2010)·Zbl 1214.93113号 [22] 贝萨尼·卢什;库茨(J.Nathan Kutz);Brunton,Steven L.,《非线性动力学普遍线性嵌入的深度学习》,美国国家通讯社。,9, 1, 1-10 (2018) [23] 莫赫里(Mohri,Mehryar);阿夫申·罗斯塔米扎德;Talwalkar,Ameet,《机器学习基础》(2018),麻省理工学院出版社·Zbl 1407.68007号 [24] Kumpati S.纳伦德拉。;Parthasarathy,Kannan,神经网络和动力系统,国际近似推理杂志。,6, 2, 109-131 (1992) ·Zbl 0767.93035号 [25] 库茨(J.Nathan Kutz);约书亚·L·普罗克托。;Brunton,Steven L.,应用Koopman偏微分方程理论和时空系统数据驱动建模,复杂性,2018(2018)·Zbl 1409.37029号 [26] Nelles,Oliver,《非线性系统识别:从经典方法到神经网络和模糊模型》(2013),Springer Science&Business Media·Zbl 1453.93001号 [27] 亚当·M·奥伯曼。;Calder,Jeff,Lipschitz正则化深度神经网络收敛和泛化(2018),预印本·兹比尔1407.68385 [28] 奥拉莱坎·奥贡穆鲁;顾学军;江,Steve;Gans,Nicholas,使用深度动态神经网络识别非线性系统(2016),预印本 [29] 亚当·帕斯克(Adam Paszke);格罗斯,萨姆;马萨,弗朗西斯科;亚当·莱勒(Adam Lerer);詹姆斯·布拉德伯里(James Bradbury);格雷戈里·查南(Gregory Chanan);特雷弗·基林;林泽明;纳塔利亚·吉梅尔谢恩(Natalia Gimelshein);卢卡·安提卡;阿尔班·德斯梅森;安德烈亚斯·科普夫;爱德华·杨;扎卡里·德维托;马丁·赖森(Martin Raison);阿利坎·特贾尼;萨桑克·奇拉姆库蒂;斯坦纳(Benoit Steiner);方、鲁;白俊杰;Pythort,Soumith Chintala,《一个命令式、高性能的深度学习库》,(Wallach,H.;Larochelle,H.,Beygelzimer,A.;d'Alché-Buc,F.;Fox,E.;Garnett,R.,《神经信息处理系统的进展》,第32卷(2019年),Curran Associates,Inc.),8024-8035 [30] Patricia Pauli;安妮·科赫(Anne Koch);朱利安·小檗(Julian Berberich);Allgöwer,Frank,使用Lipschitz界限训练鲁棒神经网络(2020),预印本 [31] 秦童;吴开良;Xiu,Dongbin,使用深度神经网络的数据驱动控制方程近似,J.Compute。物理。,395, 620-635 (2019) ·Zbl 1455.65125号 [32] Raissi,Maziar,《深层隐藏物理模型:非线性偏微分方程的深层学习》,J.Mach。学习。Res.,19,1932-955(2018年)·Zbl 1439.68021号 [33] Raissi,马齐尔;Karniadakis,George Em,《隐藏物理模型:非线性偏微分方程的机器学习》,J.Compute。物理。,357, 125-141 (2018) ·兹比尔1381.68248 [34] 马齐亚·莱斯;巴黎佩迪卡里斯;Karniadakis,George Em,使用高斯过程的线性微分方程机器学习,J.Compute。物理。,348, 683-693 (2017) ·Zbl 1380.68339号 [35] 马齐亚·莱斯;巴黎佩迪卡里斯;Karniadakis,George Em,含时和非线性偏微分方程的数值高斯过程,SIAM J.Sci。计算。,40、1、A172-A198(2018)·Zbl 1386.65030号 [36] 塞缪尔·鲁迪。;Steven L.Brunton。;约书亚·L·普罗克托。;Kutz,J.Nathan,偏微分方程的数据驱动发现,科学。高级,3,4,文章e1602614 pp.(2017) [37] 萨胡,Subham S。;克里斯托夫·兰伯特。;Martius,Georg,外推和控制的学习方程(2018),预印本 [38] Schaeffer,Hayden,《通过数据发现和稀疏优化学习偏微分方程》,Proc。R.Soc.A,数学。物理学。工程科学。,473、2197,第20160446条pp.(2017)·Zbl 1404.35397号 [39] 海登·谢弗;拉塞尔·卡夫利什;科里·D·哈克。;Osher,Stanley,偏微分方程的稀疏动力学,Proc。国家。阿卡德。科学。,110, 17, 6634-6639 (2013) ·Zbl 1292.35012号 [40] 辛哈,苏布拉吉特;黄,鲍文;Vaidya,Umesh,《关于随机动力系统中Koopman算子的稳健计算和预测》,《非线性科学杂志》。,1-34 (2019) ·兹比尔1467.37087 [41] 泡利·维塔宁(Pauli Virtanen);拉尔夫·戈默斯(Ralf Gommers);特拉维斯·E·奥列芬特。;马特·哈伯兰(Matt Haberland);雷迪,泰勒;大卫·库纳波(David Cournapeau);叶夫根尼·布罗夫斯基(Evgeni Burovski);Pearu Peterson;沃伦·韦克瑟(Warren Weckesser);乔纳森,布莱特;范德沃尔特,斯特凡·J·。;马修·布雷特;约书亚·威尔逊(Joshua Wilson);米尔曼,K.贾罗德;尼古拉·马约洛夫;Andrew R.J.Nelson。;埃里克·琼斯;罗伯特·科恩;埃里克·拉尔森(Eric Larson);Carey,C.J。;伊尔汗,波拉特;冯瑜;埃里克·摩尔(Eric W.Moore)。;Jake VanderPlas;丹尼斯·拉萨尔德;约瑟夫·佩克托尔德(Josef Perktold);Robert Cimrman;伊恩·亨利克森;昆特罗,E.A。;查尔斯·R·哈里斯。;安妮·阿奇博尔德(Anne M.Archibald)。;安托尼奥·里贝罗。;费比安·佩德雷戈萨;Paul,van Mulbregt;SciPy 1.0贡献者,SciPy 1.0:Python中科学计算的基本算法,Nat.Methods,17,261-272(2020) [42] Wang,Jeen-Shing;Chen,Yen-Ping,用于未知动态系统识别和控制的全自动递归神经网络,IEEE Trans。电路系统。一、 雷古尔。爸爸。,53, 6, 1363-1372 (2006) ·Zbl 1374.93373号 [43] 徐欢;Mannor,Shie,稳健性和泛化,马赫数。学习。,86, 3, 391-423 (2012) ·Zbl 1242.68259号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。