اکسپرس 24
ترجمه فارسی مقاله تخمین افق متحرک خودتنظیم سیستم‌های غیرخطی از طریق مدل‌سازی کوپمن مبتنی بر یادگیری ماشین مبتنی بر فیزیک

ترجمه فارسی مقاله تخمین افق متحرک خودتنظیم سیستم‌های غیرخطی از طریق مدل‌سازی کوپمن مبتنی بر یادگیری ماشین مبتنی بر فیزیک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Self-tuning moving horizon estimation of nonlinear systems via physics-informed machine learning Koopman modeling
عنوان مقاله به فارسی تخمین افق متحرک خودتنظیم سیستم‌های غیرخطی از طریق مدل‌سازی کوپمن مبتنی بر یادگیری ماشین مبتنی بر فیزیک
نویسندگان Mingxue Yan, Minghao Han, Adrian Wing-Keung Law, Xunyuan Yin
فرمت مقاله انگلیسی PDF
تعداد صفحات 32
دسته بندی موضوعات Systems and Control,سیستم و کنترل ,
توضیحات Submitted 7 August, 2024; originally announced August 2024. , Comments: 31 pages, 7 figures
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 31 صفحه ، 7 شکل

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,280,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this paper, we propose a physics-informed learning-based Koopman modeling approach and present a Koopman-based self-tuning moving horizon estimation design for a class of nonlinear systems. Specifically, we train Koopman operators and two neural networks - the state lifting network and the noise characterization network - using both data and available physical information. The two neural networks account for the nonlinear lifting functions for Koopman modeling and describing system noise distributions, respectively. Accordingly, a stochastic linear Koopman model is established in the lifted space to forecast the dynamic behavior of the nonlinear system. Based on the Koopman model, a self-tuning linear moving horizon estimation (MHE) scheme is developed. The weighting matrices of the MHE design are updated using the pre-trained noise characterization network at each sampling instant. The proposed estimation scheme is computationally efficient because only convex optimization is involved during online implementation, and updating the weighting matrices of the MHE scheme does not require re-training the neural networks. We verify the effectiveness and evaluate the performance of the proposed method via the application to a simulated chemical process.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک رویکرد مدل سازی مبتنی بر یادگیری مبتنی بر فیزیک را پیشنهاد می کنیم و یک طراحی تخمین در حال حرکت در حال حرکت در حال حرکت برای یک کلاس از سیستم های غیرخطی ارائه می دهیم.به طور خاص ، ما به اپراتورهای کوپمن و دو شبکه عصبی - شبکه بلند کردن حالت و شبکه توصیف نویز - آموزش می دهیم.این دو شبکه عصبی به ترتیب عملکردهای ارتفاعات غیرخطی را برای مدل سازی کوپمن و توصیف توزیع نویز سیستم به حساب می آورند.بر این اساس ، یک مدل خطی خطی کوپمن در فضای بلند شده برای پیش بینی رفتار پویا سیستم غیرخطی ایجاد شده است.بر اساس مدل کوپمن ، یک طرح تخمین خطی در حال حرکت (MHE) خود تعیین شده است.ماتریس وزنه برداری از طراحی MHE با استفاده از شبکه توصیف نویز از قبل آموزش دیده در هر لحظه نمونه برداری به روز می شود.طرح تخمین پیشنهادی از نظر محاسباتی کارآمد است زیرا فقط بهینه سازی محدب در هنگام اجرای آنلاین درگیر است و به روزرسانی ماتریس های وزنه برداری از طرح MHE نیازی به آموزش مجدد شبکه های عصبی ندارد.ما اثربخشی را تأیید می کنیم و عملکرد روش پیشنهادی را از طریق کاربرد به یک فرآیند شیمیایی شبیه سازی شده ارزیابی می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.