Learning Stable and Robust Linear Parameter-Varying State-Space Models

要約

この論文では、安定かつロバストな線形パラメーター変動状態空間 (LPV-SS) モデルの 2 つの直接パラメーター化を紹介します。
モデルのパラメーター化は、トレーニング中のすべてのパラメーター値について、許可されたモデルが短縮の意味で安定しているか、ユーザー定義の値 $\gamma$ によって制限されるリプシッツ定数を持つことをアプリオリに保証します。
さらに、パラメータ化は直接的なものであるため、制約のない最適化を使用してモデルをトレーニングできます。
トレーニングされたモデルが LPV-SS クラスであるという事実により、これらのモデルは、たとえばさらなる凸解析やコントローラー設計に役立ちます。
このアプローチの有効性は、LPV 識別問題で実証されています。

要約(オリジナル)

This paper presents two direct parameterizations of stable and robust linear parameter-varying state-space (LPV-SS) models. The model parametrizations guarantee a priori that for all parameter values during training, the allowed models are stable in the contraction sense or have their Lipschitz constant bounded by a user-defined value $\gamma$. Furthermore, since the parametrizations are direct, the models can be trained using unconstrained optimization. The fact that the trained models are of the LPV-SS class makes them useful for, e.g., further convex analysis or controller design. The effectiveness of the approach is demonstrated on an LPV identification problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google