Data-Driven Model Reduction by Moment Matching for Linear and Nonlinear Parametric Systems
该研究提出基于矩匹配的参数化降阶模型构建理论与方法,定义参数化矩并给出线性/非线性系统的模型基、数据驱动矩逼近方法,构建保关键系统特性的降阶模型,通过两类基准验证并对比方法优劣。
2025-06-12 cs.SY eess.SY
Quantum-Driven State-Reduction for Reliable UAV Trajectory Optimization in Low-Altitude Networks
Nanyang Technological University(南洋理工大学);Memorial University(纪念大学);Stanford University(斯坦福大学)
针对无人机辅助低空网络的可靠轨迹优化问题,提出GC-QAP框架,通过量子退火图压缩与ε-贪婪离策略Q学习降低状态空间和计算成本,并实现稳定收敛与低中断。
2025-10-15 cs.SY eess.SY
Data-Driven Regularized Time-Limited h2 Model Reduction from Noisy Impulse Responses
The University of Tokyo(东京大学)
本文提出一种基于数据的时间受限h2模型降阶方法,利用噪声冲击响应数据解决正则化问题,实验表明其在噪声环境下表现优于传统方法。
2026-04-30 cs.SY eess.SY math.OC
ExAMPC: the Data-Driven Explainable and Approximate NMPC with Physical Insights
Siemens Digital Industries Software(西门子数字工业软件);KU Leuven(根特大学)
ExAMPC通过数据驱动洞察增强NMPC,利用样条嵌入、SHAP和符号回归实现可解释近似控制,显著降低维度与轨迹违规,并在自动泊车和赛车场景验证有效性。
2025-10-27 cs.RO cs.SY eess.SY
Data-Driven Model Order Reduction of Nonlinear Systems with Noisy Data
Newcastle University(纽卡斯尔大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出数据驱动框架,用于构建无数学模型的非线性系统降阶模型,通过相似性关系和半定规划条件,实现控制器合成与逻辑规范满足。
2026-03-17 cs.SY eess.SY
Data-driven Nonlinear Model Reduction to Spectral Submanifolds in Mechanical Systems
ETH Zürich(苏黎世联邦理工学院);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
虽然数据驱动的模型简化技术是建立在可线性化的机械系统,一般的方法来减少非线性系统与多个共存的稳定状态已经不可用。在本文中,我们回顾了这样一个数据驱动的非线性模型约简方法的基础上,谱子流形(SSM)。作为输入,这种方法采取非受迫非线性振动的观察,以构建规范形式的动力学减少到非常低维的不变流形。这些规范形式捕获振幅依赖的属性,并足够准确,以提供预测的非线性系统响应下的外部强迫的增加。我们说明这些结果的例子,从结构振动,具有合成和实验数据。
2021-10-05 cs.LG cs.SY eess.SY
An Iterative Problem-Driven Scenario Reduction Framework for Stochastic Optimization with Conditional Value-at-Risk
Tsinghua University(清华大学);Columbia University(哥伦比亚大学);University of Vermont(佛蒙特大学)
本文提出一种迭代问题驱动的场景缩减框架(IPDSR),将随机优化问题结构融入场景缩减过程,通过混合整数规划选择代表性场景以保留尾部风险,实验表明其最优性差距小于1%。
2025-10-17 cs.SY eess.SY math.OC
Data-driven approximation and reduction from noisy data in matrix pencil frameworks
这项工作的目的是解决问题的学习代理模型从嘈杂的时域数据通过矩阵的基于矩阵的技术,即汉克尔和Loewner框架。提出了一种基于数据驱动的线性时不变(LTI)系统降阶状态空间模型获取方法。这是通过将上述模型降阶(MOR)技术与信号矩阵模型(SMM)方法相结合来实现的。所提出的方法是由一个建筑物模型组成的数值基准的例子说明。
2022-09-11 cs.NA cs.SY eess.SY
Data-Driven Model Reduction and Nonlinear Model Predictive Control of an Air Separation Unit by Applied Koopman Theory
RWTH Aachen University(亚琛工业大学);Forschungszentrum Jülich GmbH(于利希研究中心有限公司);JARA-CSD(亚琛研究联盟-计算科学分部)
本文基于Koopman理论提出数据驱动降阶策略,结合自编码器与线性潜空间动力学构建空分单元低阶控制模型,并设计适配固定块结构的非线性模型预测控制实现,使平均CPU时间减少98%,实现实时控制。
2023-09-11 cs.LG cs.SY eess.SY
One Equation to Rule Them All -- Part II: Direct Data-Driven Reduction and Regulation
本文拓展第一部分基于西尔维斯特方程的数据驱动框架,针对模型降阶(输入-状态/输出测量、噪声分析)和输出调节(静态/动态反馈)问题提供数据驱动解决方案,并通过实例验证设计。
2025-08-24 cs.SY eess.SY math.OC
Model Order Reduction of Large-Scale Wind Farms: A Data-Driven Approach
本研究提出一种数据驱动的大型风电场MOR算法,无需已知高阶模型、计算复杂度低,可实现双边矩匹配以提升精度,经200风机风电场与IEEE14节点系统互联模型验证有效。
2024-12-13 cs.SY eess.SY
Geometric Data-Driven Dimensionality Reduction in MPC with Guarantees
针对模型预测控制中离散时间最优控制问题的在线降维难题,提出保留原问题稳定性与递归可行性的降阶方法,给出初始可行性充要条件,并结合黎曼流形优化构建满足约束的高效数据表示子空间。
2024-04-18 cs.SY eess.SY math.OC
Data-driven H2-optimal Model Reduction via Offline Transfer Function Sampling
本文提出一种利用工业中常见的频域或时域数据离线采样传递函数及其导数的方法,从而无需迭代实验即可在Loewner框架内离线实现IRKA,并扩展到离散时间系统,数值示例验证了其有效性。
2024-08-21 cs.SY eess.SY
Orthogonal Transformations for Efficient Data-Driven Reachability Analysis
Technical University of Munich(慕尼黑工业大学)
本文提出基于正交矩阵的框架,通过坐标变换减少可达集生成器数量,显著降低体积,提升数据驱动安全验证的精度。
2026-04-15 cs.SY eess.SY
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study
RWTH Aachen University(亚琛工业大学)
本文基于Koopman理论提出结合延迟坐标编码与全状态解码的数据驱动非线性模型降阶方法,通过深度学习训练模型,实现对高纯度低温精馏塔的实时非线性模型预测控制。
2024-01-09 cs.LG cs.SY eess.SY
Data-Driven Reduction of Fault Location Errors in Onshore Wind Farm Collectors
University of São Paulo(圣保罗大学)
提出一种基于门控残差网络的数据驱动校正模型,通过特征工程和超参数优化,将故障定位误差相比现有方法降低76%。
2025-11-26 cs.SY eess.SY
Identification of MIMO Wiener-type Koopman Models for Data-Driven Model Reduction using Deep Learning
我们使用Koopman理论开发了一个数据驱动的多输入多输出(MIMO)输入仿射动力系统的非线性模型降阶和辨识策略。虽然目前的文献集中在线性和双线性Koopman模型,我们推导并使用维纳型Koopman制定。我们讨论了Wiener结构特别适合于模型降阶,并且可以自然地从Koopman理论导出。此外,维纳块结构统一了线性动力学块的数学简单性和双线性动力学的准确性。我们提出了一种结合自动编码器和线性动态的Koopman深度学习策略,该策略生成MIMO Wiener类型的低阶代理模型。在三个案例研究中,我们应用我们的框架识别和减少输入的多重性,化学反应器和高纯度蒸馏塔的系统。我们比较确定的维纳模型的预测性能的线性和双线性Koopman模型。我们观察到低阶维纳型Koopman模型的最高精度和最强的模型降阶能力,使其有希望的控制。
2022-04-04 cs.SY eess.SY math.DS
Emerging clean technologies: policy-driven cost reductions, implications and perspectives
本研究采用考虑本地与全球学习效应的经验曲线方法,评估政策驱动下水电解制氢、DAC、e-kerosene三类新兴清洁技术到2030年的成本下降潜力,分析其与传统化石方案的竞争力及扩张权衡,指出其商业化仍面临成本、泄漏管控等多重挑战。
2024-09-10 cs.SY eess.SY
The Neuron as a Direct Data-Driven Controller
Neuroscience Institute, NYU Langone Medical School(纽约大学朗格尼医学院神经科学研究所);Center for Computational Neuroscience, Flatiron Institute(熨斗研究所计算神经科学中心);Physics Department, Indiana University(印第安纳大学物理系)
本研究将神经元概念化为最优反馈控制器,利用 Direct Data-Driven Control (DD-DC) 框架建模其隐式识别动态、推断状态并优化控制的过程,解释了多种神经生理现象,为构建神经网络提供了新颖的生物学基本单元。
2024-01-03 cs.AI cs.SY eess.SY
On Adaptive Frequency Sampling for Data-driven Model Order Reduction Applied to Antenna Responses
提出两种基于Loewner框架块矩阵函数的自适应频率采样方法,通过矩阵参数自由度和条件数估计误差,有效减少多端口阵列天线全波仿真次数,在最少频率点下达到最小误差。
2025-02-20 cs.SY eess.SY physics.comp-ph
Non-intrusive data-driven model order reduction for circuits based on Hammerstein architectures
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Sandia National Laboratories(桑迪亚国家实验室)
本文提出基于Hammerstein架构的非侵入式数据驱动模型降阶方法,用于高效建模和仿真常见电路。
2026-02-17 cs.LG cs.SY eess.SY
Data-driven model order reduction for T-Product-Based dynamical systems
针对基于T乘积的动力系统,提出数据驱动模型降阶框架,利用T奇异值分解开发T平衡截断等技术,在节省内存与计算的同时保持与常规方法相当的降阶误差,并经合成与真实数据验证。
2025-04-20 cs.NA cs.SY eess.SY
Data-driven balancing of linear dynamical systems
我们提出了一种新的平衡截断,一个经典的模型降阶法的重新制定。我们介绍的主要创新是通过使用已测量或计算的系统响应数据,而无需参考原始模型的任何规定实现。数据由对应于原始模型的传递函数{或冲激响应}的采样值表示。我们讨论的相似之处,我们的方法承担与Loewner框架,另一种流行的数据驱动的模型降阶法。我们说明我们的方法在连续时间和离散时间的情况下数值。
2021-10-24 cs.NA cs.SY eess.SY
Data-driven modeling and control of large-scale dynamical systems in the Loewner framework
在这方面的贡献,我们讨论的建模和模型简化框架称为Loewner框架。这是一种数据驱动的方法,适用于大规模系统,它最初是为线性时不变系统的应用而开发的。近年来,这种方法已经扩展到一些额外的更复杂的情况下,包括线性参数或非线性动力系统。我们将在这里提供后两者的概述,以及时域扩展。此外,Loewner框架的应用程序说明了实际的测试案例的集合。首先,用于底层模型的数据驱动的复杂性降低,其次,用于处理复杂系统的控制应用(特别是反馈控制器设计)。
2021-08-26 cs.NA cs.SY eess.SY
Data-Driven Nonlinear Model Reduction to Spectral Submanifolds via Oblique Projection
针对强非正态动力系统,提出基于斜投影的SSM降阶方法,可从单一实验轨迹高效近似稳定叶理,实现精确降阶。
2025-03-27 cs.CE cs.SY eess.SY
Data-Driven Modeling and Prediction of Non-Linearizable Dynamics via Spectral Submanifolds
ETH Zürich(苏黎世联邦理工学院);University of Bremen(不来梅大学);Leibniz Institute for Materials Engineering IWT(莱布尼茨材料工程研究所(IWT))
我们开发了一种方法来构建低维预测模型的数据集表示基本上是非线性(或非线性)动力系统与双曲线性部分,受到外部强迫与许多频率。我们的数据驱动的,稀疏的,非线性模型得到的低维,吸引谱子流形(SSM)的动力系统的约化动力学的扩展规范形式。我们说明了权力的数据驱动的SSM减少高维数值数据集和实验测量,涉及光束振荡,旋涡脱落和晃动在水箱中。我们发现,非强迫数据上训练的SSM约简也能准确预测额外外部强迫下的非线性响应。
2022-01-13 cs.LG cs.SY eess.SY