我们介绍了Koopman状态估计器（Koopse），一个无模型批量估计的框架，无需线性化假设，不需要特定于问题的特征选择，并且具有与数字无关的推理计算成本训练点。我们将原始非线性系统抬为高维再现内核希尔伯特空间（RKHS），其中系统变为双线性。可以通过在训练轨迹上求解最小二乘问题来学习时间不变的模型矩阵。在测试时间时，系统是代数操纵成线性时变系统，其中标准批量线性状态估计技术可用于有效地计算状态装置和协方差。随机傅里叶功能（RFF）用于结合基于Koopman的方法的计算效率和内核嵌入方法的一般性。 Koopse在实验上经过实验验证，涉及配备有超宽带接收器和轮内径术的移动机器人。 Koopse估计比标准模型的扩展Rauch-tung-Striebel（RTS）更加准确，并且尽管Koopse没有先验知识的系统的运动或测量模型。
translated by 谷歌翻译
神经网络是一种自动拟合过于复杂而无法手动描述的功能的便捷方法。这种方法的缺点是，它导致在不了解内部发生的事情的情况下构建一个黑框。找到预先形象将有助于更好地了解这种神经网络如何以及为什么给出这样的输出。由于大多数神经网络都是非注入函数，因此通常不可能仅通过数值方式完全计算它。这项研究的目的是提供一种方法，以计算任何具有线性或分段线性激活函数的馈送神经网络的精确预先形象。与其他方法相反，该方法没有为唯一的输出返回唯一的解决方案，而是在分析整个预先映射的情况下返回。
translated by 谷歌翻译