基于神经自编码器的高维物理系统结构保持模型降阶与控制设计
原文中文,约400字,阅读约需1分钟。发表于: 。控制导向的、结构保持的学习关于高维物理系统的低维近似,重点研究机械系统。我们研究了在模型阶数降低中整合神经自编码器,同时保留哈密顿或拉格朗日结构。我们着重评估所考虑方法的性能,通过在包含数百个状态的大型质量 - 弹簧 - 阻尼网络上进行模拟和控制实验。实证结果显示,少于 5 个自由度的压缩潜在动态可以以约 4%...
本研究探讨了用于高维物理系统低维近似的控制导向、结构保持的学习方法。研究结果表明,整合神经自编码器并保留系统结构可以准确重构原始系统的行为和能量。同时,利用该系统压缩技术可以设计基于模型的控制器来调节机械系统的配置。