Deep Long-Short Term Memory networks: Stability properties and Experimental validation

要約

タイトル：ディープロングショートタームメモリネットワーク：安定性の特性と実験的検証

要約：この研究の目的は、非線形動力学系の同定に応用するために、インクリメンタル入力-to-State Stable（δISS）ディープロングショートタームメモリネットワーク（LSTM）の使用を調査することです。我々は、ネットワークの重みに適切な十分条件があることを示し、データから証明された-δISS LSTMモデルを学習するためのトレーニング手順を設定することができます。提案された手法は、入出力実験的に収集されたデータからシステムのモデルを同定するために実際のブレーキ・バイ・ワイヤ装置でテストされました。結果は、満足のいくモデル化性能を示しました。

– この研究は、ディープロングショートタームメモリネットワーク（LSTM）を使用し、非線形動力学系の同定に適用することを調査しています。
– ネットワークの重みに適切な十分条件があることを示し、データから証明された-δISS LSTMモデルを学習するためのトレーニング手順を設定することができます。
– 提案された手法は、入出力実験的に収集されたデータからシステムのモデルを同定するために実際のブレーキ・バイ・ワイヤ装置でテストされました。
– 結果は、満足のいくモデル化性能を示しました。

要約(オリジナル)

The aim of this work is to investigate the use of Incrementally Input-to-State Stable ($\delta$ISS) deep Long Short Term Memory networks (LSTMs) for the identification of nonlinear dynamical systems. We show that suitable sufficient conditions on the weights of the network can be leveraged to setup a training procedure able to learn provenly-$\delta$ISS LSTM models from data. The proposed approach is tested on a real brake-by-wire apparatus to identify a model of the system from input-output experimentally collected data. Results show satisfactory modeling performances.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI