ترجمه فارسی مقاله شناسایی داده ها محور سیستم های بندر همتای نهان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Data-driven identification of latent port-Hamiltonian systems
عنوان مقاله به فارسی شناسایی داده ها محور سیستم های بندر همتای نهان
نویسندگان Johannes Rettberg, Jonas Kneifl, Julius Herb, Patrick Buchfink, Jörg Fehr, Bernard Haasdonk
فرمت مقاله انگلیسی PDF
تعداد صفحات 33
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Dynamical Systems,Machine Learning,سیستم های دینامیکی , یادگیری ماشین ,
توضیحات Submitted 16 August, 2024; v1 submitted 15 August, 2024; originally announced August 2024. , Comments: 33 pages, 8 figures , MSC Class: 93B30; 37E99
توضیحات به فارسی ارائه شده 16 اوت 2024 ؛V1 ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 33 صفحه ، 8 شکل ، کلاس MSC: 93B30 ؛37e99
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Conventional physics-based modeling techniques involve high effort, e.g., time and expert knowledge, while data-driven methods often lack interpretability, structure, and sometimes reliability. To mitigate this, we present a data-driven system identification framework that derives models in the port-Hamiltonian (pH) formulation. This formulation is suitable for multi-physical systems while guaranteeing the useful system theoretical properties of passivity and stability. Our framework combines linear and nonlinear reduction with structured, physics-motivated system identification. In this process, high-dimensional state data obtained from possibly nonlinear systems serves as input for an autoencoder, which then performs two tasks: (i) nonlinearly transforming and (ii) reducing this data onto a low-dimensional latent space. In this space, a linear pH system, that satisfies the pH properties per construction, is parameterized by the weights of a neural network. The mathematical requirements are met by defining the pH matrices through Cholesky factorizations. The neural networks that define the coordinate transformation and the pH system are identified in a joint optimization process to match the dynamics observed in the data while defining a linear pH system in the latent space. The learned, low-dimensional pH system can describe even nonlinear systems and is rapidly computable due to its small size. The method is exemplified by a parametric mass-spring-damper and a nonlinear pendulum example, as well as the high-dimensional model of a disc brake with linear thermoelastic behavior.

چکیده به فارسی (ترجمه ماشینی)

تکنیک های مدل سازی مبتنی بر فیزیک متعارف شامل تلاش زیاد ، به عنوان مثال ، دانش زمان و متخصص است ، در حالی که روش های داده محور اغلب فاقد تفسیر ، ساختار و گاهی اوقات قابلیت اطمینان هستند.برای کاهش این امر ، ما یک چارچوب شناسایی سیستم داده محور ارائه می دهیم که مدل ها را در فرمول بندر همیلتون (PH) به دست می آورد.این فرمولاسیون برای سیستم های چند فیزیکی مناسب است و در عین حال ویژگی های نظری سیستم مفید انفعال و ثبات را تضمین می کند.چارچوب ما کاهش خطی و غیرخطی را با شناسایی سیستم ساختار یافته و با انگیزه فیزیک ترکیب می کند.در این فرایند ، داده های حالت با ابعاد بالا به دست آمده از سیستم های احتمالاً غیرخطی به عنوان ورودی برای یک AutoEncoder عمل می کنند ، که سپس دو کار را انجام می دهد: (i) تبدیل غیرخطی و (ب) کاهش این داده ها بر روی یک فضای نهفته کم بعدی.در این فضا ، یک سیستم pH خطی ، که خواص pH را در هر ساخت و ساز برآورده می کند ، با وزن یک شبکه عصبی پارامتر می شود.الزامات ریاضی با تعریف ماتریس PH از طریق فاکتوریت های کولزکی برآورده می شود.شبکه های عصبی که تغییر مختصات و سیستم pH را تعریف می کنند در یک فرآیند بهینه سازی مشترک برای مطابقت با پویایی مشاهده شده در داده ها ضمن تعریف سیستم pH خطی در فضای نهفته ، مشخص می شوند.سیستم pH آموخته و کم بعدی می تواند حتی سیستم های غیرخطی را توصیف کند و به دلیل اندازه کوچک آن به سرعت قابل محاسبه است.این روش توسط یک مدل پارامتری بهار-چشمه و یک مثال آونگ غیرخطی ، و همچنین مدل با ابعاد بالا ترمز دیسک با رفتار ترمووالاستیک خطی مثال زده شده است.

📚 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.