Comments
5
Как мне кажется, задача может быть представлена как идентификация динамической модели по набору измерений? Тогда резонно было бы смотреть в сторону методов SystemIdentification, и сравнивать с ними? Тем более, что, судя по картинкам, динамика систем то ли линейна, то ли очень близка к линейной, то есть должна неплохо идентифицироваться.
Мда, лет 10 назад делал наблюдатель для динамических систем на нейронных сетях для систем с обратной связью. Он даже работал на объектах малых порядков(не чекал для более 5 переменных состояния). Но тогда мне профессора на конференциях говорили что это фигня и никому не нужна. Прошло 10 лет. Вот часто ловлю себя на мысли что людям из control systems и machine learning надо чаще общаться.
При должном воображении теорию управления можно впихнуть вообще во всё что угодно :)
я видел как японцы применяют нейронки в области управления силовых приводов (200кВт, очередная неудавшаяся «убийца Теслы»), для уточнения расчёта угла (фазы) вала вместо комбинации калмана и прочих фильтров с датчика, так же что то связанное с преобразованием паркса и защитами по току и моменту (чтоб трансмиссию не порвать). И всё это летало на 320ом техасе вычисляясь по 32к раз в секунду по общему прерыванию таймера.
Мы же нейронки применяли для более точного определения подстройки анти-эхо фильтра в телефонной линии на СТМ32, ну и самого антиэха. А так же местами для хитрой настройки аналогового модема (тоже автоподстройка по корреляции между множеством параметров)
Мы же нейронки применяли для более точного определения подстройки анти-эхо фильтра в телефонной линии на СТМ32, ну и самого антиэха. А так же местами для хитрой настройки аналогового модема (тоже автоподстройка по корреляции между множеством параметров)
Самый главный вопрос — для чего конкретно применимы нейродифуры и какие они дают преимущества? Нейронки помогают интеграторам делать меньше шагов? Или дифурки позволяют делать менее нажористые сети для моделирования механики? Прочитал бегло и теперь в сомнениях, следует ли вникать глубже — вроде штука интересная, но не понятно для чего.
Правильно ли я понял, что они помогают аппроксимировать экспериментальные данные, для которых известна система дифуров?
Only those users with full accounts are able to leave comments. Log in, please.
Знакомство с Neural ODE