基于物理信息神经网络的非线性离散时间观测器

@文章{Alvarez2024非线性DO，title={带物理信息神经网络的非线性离散时间观测器}，author={Hector Vargas Alvarez、Gianluca Fabiani、Ioannis G.Kevrekidis、Nikolaos K.Kazantzis和Constantinos Siettos}，日志={ArXiv}，年份={2024}，体积={abs/2402.12360}，url={https://api.semanticscholar.org/CorpusID:267750970}}
本文使用物理信息神经网络（PINNs）解决离散时间非线性观测器状态估计问题，并对所提出的PINN方案进行了不确定性量化分析，并将其与传统的幂级数数值实现进行了比较。
[PDF]语义阅读器
1引文
背景引文
1

本文图表

一篇引文

RandONet:学习线性和非线性算子的随机投影浅网络

证明了RandONets对非线性算子的普遍逼近精度，并证明了其对线性非线性演化算子（右手边（RHS））的逼近效率，重点讨论了偏微分方程。

48参考文献

基于神经网络的非线性离散系统KKL观测器

本工作旨在建立一个映射，将非线性动力学转换为输出注入模的稳定线性系统，并设计一个渐近观测器，提出一种基于集成学习技术的算法，以改进映射的数值逼近及其在瞬态阶段的延拓。

基于物理信息机器学习的离散时间非线性反馈线性化

结果表明，所提出的PIML优于传统的数值实现方法，后者涉及同调方程组的构造和幂级数展开系数的求解，以及PIM l在整个域中的实现，从而突出了延续技术在PIMl训练过程中的重要性。

使用神经ODE学习鲁棒状态观测器（较长版本）

本文提出了一种基于神经ODE的非线性系统状态观测器的设计方法，分别针对部分已知非线性动力学和完全未知非线性动力学系统学习类Luenberger观测器及其非线性扩展（Kazantzis-Kravaris-Luenberger（KKL）观测器）。

分布参数系统的辨识：一种基于神经网络的方法

非线性控制的无方程方法：带极点配置的粗反馈线性化

本文将无方程计算应用于由微观/随机模拟器描述的非线性系统的粗粒度反馈线性化问题，并说明了一个简化的多相催化反应方案的动力学蒙特卡罗实现。

离散非线性系统的线性误差动态函数观测器*

导出了具有线性动力学和线性输出映射的低阶函数观测器存在的充要条件，并对Luenberger的函数观测者线性理论进行了直接推广。

统计学机器学习基于预测控制的不确定非线性过程

本研究通过Rademacher复杂性方法推导了递归神经网络（RNN）的泛化误差界，该网络用于捕获标称系统的动态，并研究了受两类扰动的非线性系统的闭环稳定性。

利用函数方程设计降阶非线性离散时间观测器

离散非线性系统的Luenberger观测器

结果表明，选取足够大的稳定辅助系统的维数，状态的估计函数是可逆的，只要引入由输出馈送的线性稳定离散时间系统，第一步总是可能的。

基于观测器的未知非线性动力系统自适应模糊神经控制

推导了基于观测器的输出反馈控制律和在线调整自适应模糊神经控制器权重因子的更新律，总体自适应方案保证了所涉及的所有信号都是有界的。