Systems and Control,Machine Learning,Robotics,سیستم ها و کنترل , یادگیری ماشین , روباتیک ,
توضیحات
Submitted 28 August, 2024; v1 submitted 27 August, 2024; originally announced August 2024. , Comments: Accepted to International Conference on Informatics in Control, Automation and Robotics (ICINCO) 2024
توضیحات به فارسی
ارسال شده 28 اوت 2024 ؛V1 ارسال شده 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: پذیرفته شده در کنفرانس بین المللی انفورماتیک در کنترل ، اتوماسیون و روباتیک (ICINCO) 2024
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Physics-informed neural networks (PINNs) are trained using physical equations and can also incorporate unmodeled effects by learning from data. PINNs for control (PINCs) of dynamical systems are gaining interest due to their prediction speed compared to classical numerical integration methods for nonlinear state-space models, making them suitable for real-time control applications. We introduce the domain-decoupled physics-informed neural network (DD-PINN) to address current limitations of PINC in handling large and complex nonlinear dynamical systems. The time domain is decoupled from the feed-forward neural network to construct an Ansatz function, allowing for calculation of gradients in closed form. This approach significantly reduces training times, especially for large dynamical systems, compared to PINC, which relies on graph-based automatic differentiation. Additionally, the DD-PINN inherently fulfills the initial condition and supports higher-order excitation inputs, simplifying the training process and enabling improved prediction accuracy. Validation on three systems - a nonlinear mass-spring-damper, a five-mass-chain, and a two-link robot - demonstrates that the DD-PINN achieves significantly shorter training times. In cases where the PINC's prediction diverges, the DD-PINN's prediction remains stable and accurate due to higher physics loss reduction or use of a higher-order excitation input. The DD-PINN allows for fast and accurate learning of large dynamical systems previously out of reach for the PINC.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی آگاه از فیزیک (PINN) با استفاده از معادلات فیزیکی آموزش داده می شوند و همچنین می توانند با یادگیری از داده ها اثرات غیرمترقبه ای را در خود جای دهند.PINN برای کنترل (PINCS) سیستم های دینامیکی به دلیل سرعت پیش بینی خود در مقایسه با روش های ادغام عددی کلاسیک برای مدلهای حالت غیرخطی ، مورد علاقه خود قرار می گیرند و آنها را برای برنامه های کنترل زمان واقعی مناسب می کنند.ما شبکه عصبی آگاه از فیزیک دکوراسیون شده دامنه (DD-PINN) را برای پرداختن به محدودیت های فعلی PINC در رسیدگی به سیستم های دینامیکی بزرگ و پیچیده غیرخطی معرفی می کنیم.دامنه زمان از شبکه عصبی خوراک به سمت جلو برای ساخت یک عملکرد ANSATZ جدا می شود و امکان محاسبه شیب ها به شکل بسته را فراهم می کند.این رویکرد به طور قابل توجهی زمان تمرین را کاهش می دهد ، به خصوص برای سیستم های دینامیکی بزرگ ، در مقایسه با PINC ، که به تمایز اتوماتیک مبتنی بر نمودار متکی است.علاوه بر این ، DD-PINN ذاتاً شرایط اولیه را برآورده می کند و از ورودی های تحریک مرتبه بالاتر پشتیبانی می کند ، فرایند آموزش را ساده می کند و دقت پیش بینی را بهبود می بخشد.اعتبارسنجی در سه سیستم-یک-چشمه توده ای غیر خطی ، یک زنجیره پنج با یک زنجیره و یک ربات دو لینک-نشان می دهد که DD-PINN به زمان آموزش به طور قابل توجهی کوتاه تر می رسد.در مواردی که پیش بینی PINC واژگون می شود ، پیش بینی DD-PINN به دلیل کاهش بالاتر از دست دادن فیزیک یا استفاده از ورودی تحریک مرتبه بالاتر ، پایدار و دقیق باقی می ماند.DD-PINN امکان یادگیری سریع و دقیق سیستم های دینامیکی بزرگ را که قبلاً از دسترس برای PINC خارج شده بودند ، امکان پذیر می کند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
