摘要
Bernt M Akesson和Hannu T Toivonen。 一种神经网络模型预测控制器。 过程控制杂志 , 16(9):937--946, 2006. 谷歌学者 交叉引用 布兰登·阿莫斯(Brandon Amos)、伊万·希门内斯(Ivan Jimenez)、雅各布·萨克斯(Jacob Sacks)、拜伦·布茨(Byron Boots)和杰科·科尔特(J Zico Kolter)。 用于端到端规划和控制的不同mpc。 在 神经信息处理系统研究进展 ,第8289-8300页,2018年。 谷歌学者 Raman Arora、Amitabh Basu、Poorya Mianji和Anirbit Mukherjee。 了解具有校正线性单元的深层神经网络。 2016 谷歌学者 鲍文·贝克(Bowen Baker)、奥克里斯特·古普塔(Otkrist Gupta)、尼基尔·奈克(Nikhil Naik)和拉梅什·拉斯卡尔(Ramesh Raskar)。 使用强化学习设计神经网络架构。 arXiv公司:1611.02167 , 2016. 谷歌学者 阿尔贝托·本普拉德(Alberto Bempoad)、曼弗雷德·莫拉里(Manfred Morari)、维维克·杜瓦(Vivek Dua)和埃夫斯特拉蒂奥斯·皮斯蒂科普洛斯(Efstratios N.Pistikopoulos)。 约束系统的显式线性二次调节器。 Automatica公司 , 38(1):3--20, 2002. 谷歌学者 数字图书馆 詹姆斯·伯格斯特拉(James Bergstra)和约舒亚·本吉奥(Yoshua Bengio)。 超参数优化的随机搜索。 机器学习研究杂志 ,2012年2月13日:281--305。 谷歌学者 Mariusz Bojarski、Davide Del Testa、Daniel Dworakowski、Bernhard Firner、Beat Flepp、Prason Goyal、Lawrence D Jackel、Mathew Monfort、Urs Muller、Jiakai Zhang等。针对自动驾驶汽车的端到端学习。 arXiv:1604.07316 , 2016. 谷歌学者 卡瓦格纳里、拉洛·马格尼和里卡多·斯卡托里尼。 非线性滚动时域控制的神经网络实现。 神经计算与应用 ,8(1):86-921999。 谷歌学者 S.Chen、K.Saulnier、N.Atanasov、D.D.Lee、V.Kumar、G.J.Pappas和M.Morari。使用约束神经网络逼近显式模型预测控制。 在 2018年美国控制年会(ACC) ,第1520-1527页,2018年。 谷歌学者 交叉引用 阿瑟·克拉维埃(Arthur Claviere)、苏拉德普·杜塔(Souradeep Dutta)和斯里拉姆·桑卡拉纳拉亚南(Sriram Sankaranarayanan)。 使用神经网络的反例引导训练的机器人车辆轨迹跟踪控制。 在 自动化规划和调度国际会议记录 第29卷,第680-688页,2019年。 谷歌学者 迈克尔·赫特内克(Michael Hertneck)、约翰·科勒(Johannes Köhler)、塞巴斯蒂安·特里普(Sebastian Trimpe)和弗兰克·奥尔格沃尔(Frank Allgöwer)。 学习具有保证的近似模型预测控制器。 IEEE控制系统信件 ,2(3):543-5482018。 谷歌学者 交叉引用 本杰明·卡格和塞尔吉奥·卢西亚。 通过深度学习有效地表示和逼近模型预测控制律。 arXiv公司:1806.10644 , 2018. 谷歌学者 大卫·G·伦伯格(David G.Luenberger)。 向量空间法优化。 John Wiley&Sons,1997年。 谷歌学者 J Gomez Ortega和EF Camacho。 使用神经预测控制,移动机器人在部分结构化静态环境中导航。 控制工程实践 , 4(12):1669--1679, 1996. 谷歌学者 交叉引用 Supratik Paul、Vitaly Kurin和Shimon Whiteson。 快速高效的策略梯度超参数调整。 arXiv:1902.06583 , 2019. 谷歌学者 费比安·佩德雷戈萨。 具有近似梯度的超参数优化。 arXiv:1602.02355 , 2016. 谷歌学者 马库斯·佩雷拉(Marcus Pereira)、大卫·D·范(David D Fan)、加布里埃尔·中岛安(Gabriel Nakajima An)和埃文格洛斯·西奥多罗(Evangelos Theodorou)。 基于Mpc的神经网络顺序决策策略。 arXiv公司:1802.05803 , 2018. 谷歌学者 姚全明、王梦硕、杰尔·埃斯卡兰特·雨果、古扬·伊莎贝尔、胡一奇、李玉凤、屠维伟、杨强、余阳。 让人类脱离学习应用程序:自动化机器学习调查。 arXiv:1810.13306 , 2018. 谷歌学者 Thiago Serra、Christian Tjandraatmadja和Srikumar Ramalingam。 深度神经网络线性区域的界定和计数。 arXiv公司:1711.02114 , 2018. 谷歌学者 亚瑟·舒克里、皮埃尔路易吉·努佐、阿尔贝托·桑吉奥瓦尼·文森特利、桑吉特·塞西娅、乔治·帕帕斯和保罗·塔布阿达。 SMC:可满足性模凸优化。 在 第20届混合动力系统国际会议论文集:计算与控制(HSCC) ,第19-28页。 ACM,2017年。 谷歌学者 数字图书馆 Yasser Shoukry、Pierluigi Nuzzo、Alberto L Sangiovanni Vincentelli、Sanjit A Seshia、George J Pappas和Paulo Tabuada。 Smc:可满足模凸规划。 IEEE会议记录 , 106(9):1655--1679, 2018. 谷歌学者 交叉引用 王顺宁和孙旭升。 铰链超平面的推广。 IEEE信息理论汇刊 ,51(12):4425-44312005年。 谷歌学者 数字图书馆 理查德·斯坦利(Richard P Stanley)。 超平面排列简介。 第90页。 谷歌学者 J.M.Tarela和M.V.Martínez。 格子分段线性模型可实现性的区域配置。 数学和计算机建模 , 30(11):17--27, 1999. 谷歌学者 数字图书馆
建议
使用学生-教师网络近似任务对平坦和标准级联相关进行系统比较 级联相关(cascor)网络通过招募隐藏单元来调整其计算能力以适应所学习的任务而增长。 标准的cascor算法在新的层上招募每个隐藏单元,创建深层网络。 相比之下,公寓。。。 快速BATLLNN:二层格型神经网络的快速盒分析 HSCC’22:第25届ACM混合系统国际会议论文集:计算与控制 本文提出了两层格型神经网络的快速盒分析工具(Fast BATLLNN),作为二层格型网络(TLL)盒型输出约束的快速验证器。 特别是,Fast BATLLNN可以验证。。。 神经网络矢量预测器及其在图像编码中的应用 ICIP’95:1995年国际图像处理会议记录(第3卷)第3卷第3卷 矢量预测器是预测矢量量化(PVQ)方案的组成部分。 随着向量维数(块大小)的增加,预测器的性能下降。 这使得有必要研究…中的新设计技术。。。