旋转倒摆上的Tustin-Net架构应用研究
原文中文，约400字，阅读约需1分钟。发表于：。本文研究了Tustin神经网络架构在物理旋转倒摆识别中的应用，填补了传统模型与新兴神经网络方法之间的空白。通过提出基于迁移学习的训练策略，Tustin-Net在准确性上与经典灰箱模型竞争，展示了其在无需深入了解系统的条件下仍可实现优越表现的潜力。
本文研究了物理信息驱动的神经网络（PINNs）在两个系统上的表现。在非线性摆系统中，PINNs在理想数据情况下胜过了无信息神经网络（NNs），准确度提高了18倍和6倍。在使用实验数据进行测试时，准确度提高了9.3倍和9.1倍。此外，研究了物理信息驱动模型在物理系统中的可行性，并使用FPGA进行实验。讨论了从这项工作中获得的见解，并列出了未来工作计划。
