基于神经规范控制结构的数据驱动控制与迁移学习*
Data-driven control and transfer learning using neural canonical control structures*
AI总结：
该研究提出结合神经网络自编码器与神经规范控制结构的间接数据驱动控制及迁移学习方法，实现Brunovsky规范形采样系统辨识与跨参数系统的控制器迁移，经学术和工业算例验证有效。
摘要：
本文提出一种基于数据驱动反馈线性化与神经规范控制结构的间接数据驱动控制与迁移学习方法。该方法采用在已记录传感器数据上训练的人工神经网络自编码器结构，来近似状态与输入变换，以辨识处于Brunovsky规范形式的采样数据系统。辨识得到的变换与设计好的轨迹控制器可被迁移到参数变化的系统中，此时神经网络权重可利用新采集的记录数据进行调整。研究通过一个学术算例与一个工业导向算例验证了所提方法的有效性。
英文摘要：
An indirect data-driven control and transfer learning approach based on a data-driven feedback linearization with neural canonical control structures is proposed. An artificial neural network auto-encoder structure trained on recorded sensor data is used to approximate state and input transformations for the identification of the sampled-data system in Brunovsky canonical form. The identified transformations, together with a designed trajectory controller, can be transferred to a system with varied parameters, where the neural network weights are adapted using newly collected recordings. The proposed approach is demonstrated using an academic and an industrially motivated example.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
