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

要約

タイトル：安定かつロバストな線形パラメータ変化状態空間モデルの学習
要約：
– 本論文では、安定性を確保した線形パラメータ変化状態空間（LPV-SS）モデルの2つの直接的なパラメータ化手法を提案している。
– これらのモデルパラメータ化により、すべてのパラメータ値に対して許容されるモデルが、収縮の意味で安定であること、またはリプシッツ定数がユーザー定義の値$\gamma$で境界付けられることが事前に保証される。
– さらに、直接的なパラメータ化により、制約なしの最適化を使用してモデルをトレーニングできる。
– トレーニングされたモデルがLPV-SSクラスであることから、凸解析やコントローラ設計などに役立つ。
– この手法の効果は、LPV同定問題を利用して実証されている。

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, OpenAI