清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Machine Learning Accelerated PDE Backstepping Observers

反推 观察员(物理) 趋同(经济学) 计算机科学 控制理论(社会学) 水准点(测量) 收敛速度 数学优化 国家观察员 数学 人工智能 自适应控制 非线性系统 控制(管理) 物理 地理 经济 频道(广播) 量子力学 经济增长 计算机网络 大地测量学
作者
Yuanyuan Shi,Zongyi Li,Huan Yu,Drew Steeves,Anima Anandkumar,Miroslav Krstić
出处
期刊: 卷期号:: 5423-5428 被引量:9
标识
DOI:10.1109/cdc51059.2022.9992759
摘要

State estimation is important for a variety of tasks, from forecasting to substituting for unmeasured states in feedback controllers. Performing real-time state estimation for PDEs using provably and rapidly converging observers, such as those based on PDE backstepping, is computationally expensive and in many cases prohibitive. We propose a framework for accelerating PDE observer computations using learning-based approaches that are much faster while maintaining accuracy. In particular, we employ the recently-developed Fourier Neural Operator (FNO) to learn the functional mapping from the initial observer state and boundary measurements to the state estimate. By employing backstepping observer gains for previously-designed observers with particular convergence rate guarantees, we provide numerical experiments that evaluate the increased computational efficiency gained with FNO. We consider the state estimation for three benchmark PDE examples motivated by applications: first, for a reaction-diffusion (parabolic) PDE whose state is estimated with an exponential rate of convergence; second, for a parabolic PDE with exact prescribed-time estimation;and, third, for a pair of coupled first-order hyperbolic PDEs that modeling traffic flow density and velocity. The ML-accelerated observers trained on simulation data sets for these PDEs achieves up to three orders of magnitude improvement in computational speed compared to classical methods. This demonstrates the attractiveness of the ML-accelerated observers for real-time state estimation and control.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
笨笨妙彤完成签到,获得积分10
4秒前
朴素的嚓茶完成签到,获得积分10
8秒前
null的应助被科研通管家采纳,获得10
25秒前
null的应助被科研通管家采纳,获得10
25秒前
晓晓完成签到,获得积分10
33秒前
奔跑的小熊完成签到 ,获得积分10
44秒前
46秒前
欢喜的铭完成签到,获得积分10
46秒前
炫烟完成签到,获得积分10
56秒前
晓晓发布了新的文献求助10
1分钟前
悲凉的雁芙完成签到,获得积分10
1分钟前
霜之哀伤完成签到,获得积分10
1分钟前
1分钟前
1分钟前
无限的白羊完成签到 ,获得积分10
1分钟前
大太阳发布了新的文献求助10
1分钟前
快乐夜阑完成签到,获得积分10
1分钟前
1分钟前
正直的晓槐完成签到,获得积分10
1分钟前
佳伦完成签到 ,获得积分10
2分钟前
MassTestA1发布了新的文献求助10
2分钟前
Tree_QD完成签到 ,获得积分10
2分钟前
坚定的咖啡完成签到,获得积分10
2分钟前
null的应助被科研通管家采纳,获得10
2分钟前
2797924221完成签到,获得积分10
2分钟前
大力的以山完成签到,获得积分10
2分钟前
自觉康乃馨完成签到,获得积分10
2分钟前
害羞傲安完成签到,获得积分10
2分钟前
欢喜的诗珊完成签到,获得积分10
3分钟前
任性笑蓝完成签到,获得积分10
3分钟前
优雅的傲柏完成签到,获得积分10
4分钟前
null的应助被科研通管家采纳,获得10
4分钟前
n01W97的应助被科研通管家采纳,获得20
4分钟前
null的应助被科研通管家采纳,获得10
4分钟前
null的应助被科研通管家采纳,获得10
4分钟前
着急的冷珍完成签到,获得积分10
4分钟前
刻苦续完成签到,获得积分10
5分钟前
赖茜完成签到,获得积分10
5分钟前
5分钟前
5分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
八旗制度の研究 600
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8185411
求助须知:如何正确求助?哪些是违规求助? 9574140
关于积分的说明 21834375
捐赠科研通 7782865
什么是DOI,文献DOI怎么找? 3434552
关于科研通互助平台的介绍 2558842
邀请新用户注册赠送积分活动 2481280