原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第17届国际自动控制系统识别研讨会预印本国际会议中
心2015年10月19‑21日。
从图像像素中学习深度动态模型
NiklasWahlström¨∗ThomasB.Schön¨
MarcPeterDeisenroth∗∗
∗DepartmentofElectricalEngineering,Link¨opingUniversity,瑞典,(e-mail:
nikwa@isy.liu.se)
∗∗DepartmentofInformationTechnology,UppsalaUniversity,瑞典,(e-mail:
thomas.schon@it.uu.se)。
∗∗∗计算系，伦敦理工学院，英国（电子邮件：
m.deisenroth@imperial.ac.uk）
:建模动态系统在许多学科中都很重要，例如控制、机器人技术或神经技术。通常这些系
统的状态不是直接观测到的，而是只能通过噪声干扰且可能的观测值获得。在这种情况下，
系统辨识（即找到测量映射和潜在空间中的转移映射（系统动态））可能具有性。对于线性
系统动态和测量映射，已有高效的系统辨识解决方案。然而，在实际应用中，线性假设并不成
立，这就需要使用非线性系统辨识技术。如果观测值同时是的（例如图像），则非线性系统
辨识本质上就更加。为了解决从观测值中进行非线性系统辨识的问题，深度学习
和系统辨识的进展结合起来。具体来说，我们通过深度自编共同学习观测值的低维嵌
入，并在这个低中学习预测转移模型。我们证明了我们的模型能够仅从像素信息中学习动
态系统的良好预测模型。
：深度神经网络，系统辨识，非线性系统，低维嵌入，自编。
时间序列包括流、脑电图（EEG）和传感器网络学习非线模型本身是一个非常的问题，并且在
数据。描述此类数据的动态模型被期望用于预测（预测）过去几十年中一直是系统辨识领域最活跃的研究方向之一
和控制器设计，这两者都在自主系统、机器翻译、机器人（Ljung，2010；Sj¨oberg等，1995）。近年来，序列
技术和应用中发挥着重要作用。一个关键是系统蒙特卡罗（SMC）方法在识别非线性状态空间模型方面
辨识，即根据底层系统的测量信息找到动态系统的数受到了关注（Sch¨on等，2011），另请参阅的综述
学模型。在状态空间模型的背景下，这包括找到以下两个（Kantas等，2015）。尽管基于SMC的方能强大，
函数关系：（a）不同时间步的状态（预测/转移模型）和但它们的计算成本也很高。从非常的传感器数据中学习
（b）状态和相应测量（观测/测量模型）之间的关系。在非线模型更具性。首先，在非常的空间中寻
线性情况下，这个问题已有深入研究，并存在许多技找（非线性）函数关系是的（不可辨识性、局部最优、
术，例如子空间方法（VanOverschee和DeMoor，过拟合等）；其次，找到一个好的函数近器所需的数据量
1996）、期望最大化（Shumway和Stoffer，1982；是巨大的。幸运的是，数据通常具有内在的较低维度。
Ghahramani，1998；Gibson和Ninness，2005）和预
文档评论（0）