PulseAugur
中
实时 09:15:24
English(EN) KKL Observer Synthesis for Nonlinear Systems via Physics-Informed Learning

用于非线性系统的新型物理信息学习观测器合成方法

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的基于物理信息学习的方法，用于合成非线性系统的Kazantzis-Kravaris (KKL) 观测器。该方法使用一个物理信息神经网络来学习正向映射，并使用一个标准的馈送前向神经网络来学习反向映射。该论文为状态估计在近似误差和系统不确定性（包括非渐近学习保证）下的鲁棒性提供了理论保证。在基准示例上的数值模拟表明，与现有方法相比，该方法在训练域之外提供了更好的泛化能力。 AI

影响 这项研究可能为复杂非线性系统带来更鲁棒、更通用的状态估计技术。

排序理由 该集群包含一篇学术论文，详细介绍了非线性系统观测器合成的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

用于非线性系统的新型物理信息学习观测器合成方法

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · M. Umar B. Niazi, John Cao, Matthieu Barreau, Karl Henrik Johansson ·

    基于物理信息学习的非线性系统KKL观测器合成

    arXiv:2501.11655v3 Announce Type: replace-cross Abstract: This paper proposes a novel learning approach for designing Kazantzis-Kravaris or nonlinear Luenberger (KKL) observers for autonomous nonlinear systems. The design of a KKL observer involves finding an injective map that t…

相关实体

相关话题