物理誘導ニューラルネットワークを用いたフィードフォワード制御:コスト正則化と最適化初期化の訓練【JST・京大機械翻訳】

Bolderman Max; Lazar Mircea; Butler Hans

プレプリント

J-GLOBAL ID：202202207724067920 整理番号：22P0281248

物理誘導ニューラルネットワークを用いたフィードフォワード制御:コスト正則化と最適化初期化の訓練【JST・京大機械翻訳】

On feedforward control using physics-guided neural networks: Training cost regularization and optimized initialization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月28日プレプリントサーバーでの情報更新日： 2022年01月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

モデルベースフィードフォワードコントローラの性能は,逆システムダイナミックスモデルの精度によって典型的に制限される。既知の物理モデルがニューラルネットワークと平行して協調する物理誘導ニューラルネットワーク(PGNN)は,同定された逆動力学の高精度を達成する方法として最近提案された。しかし,ニューラルネットワークの柔軟な性質は,訓練中のパラメータドリフトをもたらす物理モデルと並列に採用されるとき,パラメタリゼーションを創り出すことができる。このドリフトは,訓練データに存在しない運転条件に対するPGNNの脆弱性を増加させる物理的値に対応する物理モデルのパラメータをもたらす。この問題に取り組むため,本論文では,訓練収束を改善する最適化訓練初期化と組み合わせた,同定物理パラメータによる正則化法を提案した。正則化されたPGNNフレームワークは,実際の産業用リニアモータで検証され,そこでは,より良い追跡精度と外挿を提供する。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

ニューロコンピュータ

, , , , , , ,

前のページに戻る