Rauch--Tung--Striebel

新的混合框架使用神经网络学习物理 ODE

研究人员开发了一种新颖的混合框架，该框架将神经网络与基于物理的常微分方程 (ODE) 相结合来建模动态系统。当某些 ODE 组件未知且仅可测量状态变量的子集时，此方法特别有用。该方法在通过 Rauch--Tung--Striebel (RTS) 平滑器估计潜在状态与然后使用这些平滑轨迹通过反向传播训练神经网络参数之间进行交替。在基准系统上的评估表明，该框架能够从不完整的数据中学习缺失的 ODE 组件，同时还能改进潜在状态重建和长时预测。