Core Concepts
Durch den Einsatz von Regularisierungstechniken, die auf systemtheoretischen Modellreduktionsverfahren basieren, können tief strukturierte Zustandsraummodelle mit deutlich reduzierter Komplexität bei gleichbleibender Vorhersagegenauigkeit gelernt werden.
Abstract
Der Artikel befasst sich mit der effizienten Modellreduktion tiefer strukturierter Zustandsraummodelle (SSM) für Anwendungen in der Regelungstechnik. SSM bestehen aus einer Verkettung linearer dynamischer Blöcke, die mit statischen Nichtlinearitäten und Normalisierungseinheiten kombiniert sind. Obwohl SSM eine hohe Vorhersageleistung aufweisen, leiden die gelernten Darstellungen oft unter einer übermäßig großen Modellordnung, die sie für Regelungsentwurfszwecke ungeeignet macht.
Der Artikel adressiert diese Herausforderung durch den Einsatz systemtheoretischer Modellreduktionsverfahren, die auf die linearen dynamischen Blöcke der SSM abzielen. Es werden zwei Regularisierungsterme eingeführt, die in die Verlustfunktion während des Trainings integriert werden können, um eine verbesserte Modellreduktion zu erreichen. Insbesondere wird modale ℓ1-Regularisierung und Hankel-Kernraum-Regularisierung verwendet, um Spärlichkeit zu fördern und nur die relevanten Zustände beizubehalten, ohne die Genauigkeit zu beeinträchtigen.
Die vorgestellten Regularisierer führen zu Vorteilen in Bezug auf sparsame Darstellungen und schnellere Inferenz aufgrund der reduzierten Ordnungsmodelle. Die Effektivität der vorgeschlagenen Methodik wird anhand von Realdaten aus Bodenvibrationstests eines Flugzeugs demonstriert.
Stats
Die Eingabe u ist die von einem Schüttler auf den rechten Flügel des Flugzeugs ausgeübte Kraft, während die Ausgaben y die an drei Testpositionen gemessenen Beschleunigungen sind.
Quotes
Keine relevanten Zitate gefunden.