Learning Stable Stochastic Nonlinear Dynamical Systems

Learning Stable Stochastic Nonlinear Dynamical Systems
复制标题

学习稳定随机非线性动力系统

DOI：
--
复制
发表时间：
2017
期刊：
International Conference on Machine Learning
影响因子：
--
通讯作者：
S. Hirche
S. Hirche
中科院分区：
--
文献类型：
--
作者：
Jonas Umlauft;S. Hirche

文献摘要

被引文献

相似文献

一种数据驱动的动态系统辨识方法 只需要最少的先验知识 是有希望的，只要没有分析得出 模型结构是可用的，例如，从第一原则 在物理学中。然而，元知识 系统行为通常是给定的， 稳定性作为基本属性 当模型用于控制器时， 设计或运动生成。因此本 本文提出了一个学习稳定的框架 数据的随机系统。我们专注于 确定状态相关系数形式 全局非线性随机模型 概率渐近稳定 李雅普诺夫方法我们比较我们的方法 在现实世界中的其他最先进的方法 数据集的灵活性和稳定性。
A data-driven identification of dynamical systems requiring only minimal prior knowledge is promising whenever no analytically derived model structure is available, e.g., from first principles in physics. However, meta-knowledge on the system’s behavior is often given and should be exploited: Stability as fundamental property is essential when the model is used for controller design or movement generation. Therefore, this paper proposes a framework for learning stable stochastic systems from data. We focus on identifying a state-dependent coefficient form of the nonlinear stochastic model which is globally asymptotically stable according to probabilistic Lyapunov methods. We compare our approach to other state of the art methods on real-world datasets in terms of flexibility and stability.