Two-Stage Surrogate Modeling for Data-Driven Design Optimization with Application to Composite Microstructure Generation
University of Colorado Denver(科罗拉多大学丹佛分校);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);NASA Glenn Research Center(美国国家航空航天局格伦研究中心)
本文提出一种基于机器学习的两阶段代理建模框架,通过“learner”和“evaluator”结合保形推理过滤不确定解,有效解决逆问题,并在复合材料微结构生成等应用中展现出比单阶段方法更高的可靠性。
2024-01-04 cs.CE cs.LG
A CNN-Transformer Deep Learning Model for Real-time Sleep Stage Classification in an Energy-Constrained Wireless Device
University of Toronto(多伦多大学)
本文提出了一种基于单通道EEG数据的自动睡眠阶段分类的深度学习(DL)模型。DL模型具有卷积神经网络(CNN)和Transformers。该模型被设计为在能量和内存受限的设备上运行,以进行本地处理的实时操作。来自公开可用的Sleep-EDF数据集的Fpz-Cz EEG信号用于训练和测试模型。使用四个卷积滤波器层来提取特征并降低数据维数。然后,Transformers被用来学习数据的时变特征。为了提高性能,我们还在推断之前实施了主题特定的训练(即,预测)阶段。对于受试者特定训练,清醒、N1-N3和快速眼动(REM)阶段的F1评分分别为0.91、0.37、0.84、0.877和0.73。该模型的性能与最先进的作品相比,具有显着更大的计算成本。我们在低成本的Arduino Nano 33 BLE板上测试了该模型的缩小版,它功能齐全且准确。未来,将开发具有边缘DL的完全集成的无线脑电信号传感器,用于临床前和临床实验中的睡眠研究,例如实时睡眠调制。
2022-11-20 cs.LG eess.SP
Manifold-Aware Perturbations for Constrained Generative Modeling
Department of XXX, University of YYY, Location, Country(YYY大学XXX系);School of ZZZ, Institute of WWW, Location, Country(WWW研究所ZZZ学院);Department of Mathematics, Emory University, Atlanta, Georgia, USA(埃默里大学数学系)
本文提出了一种面向流形的扰动方法,用于改进约束生成模型的数据分布恢复与稳定采样。
2026-10-01 cs.LG
Two-Stage Constrained Actor-Critic for Short Video Recommendation
Kuaishou Technology(快手科技);Hong Kong University of Science and Technology(香港科技大学)
本文将短视频推荐形式化为约束马尔可夫决策过程,提出两阶段约束演员-评论家算法,在优化累计观看时长主目标的同时平衡关注和分享等辅助目标,离线与在线实验均显著优于基线并已上线部署。
2024-01-09 cs.IR cs.LG
Physics-informed neural networks for PDE-constrained optimization and control
Computational Science Laboratory(计算科学实验室)
科学和工程中的一个基本问题是设计最优控制策略,使给定的系统朝着期望的结果前进。这项工作提出了控制物理信息神经网络(控制PINN),同时解决了一个给定的系统状态,并为最优控制信号,在一个阶段的框架,符合基本的物理规律。先前的方法使用两阶段框架,首先建模,然后按顺序控制系统。相比之下,控制PINN在其架构和其损失函数中结合了所需的最优性条件。控制PINNs的成功证明通过解决以下开环最优控制问题:(i)一个分析问题,(ii)一个一维的热方程,和(iii)一个二维的捕食者-猎物问题。
2022-08-18 cs.LG math.OC
Physics-constrained Deep Learning for Robust Inverse ECG Modeling
Oklahoma State University(俄克拉荷马州立大学)
先进传感和成像的快速发展带来了数据丰富的环境,促进了复杂系统的有效建模,监测和控制。例如,身体传感器网络捕获与心脏的电活动有关的多通道信息(即,心电图(ECG)),使医学科学家能够监测和检测异常的心脏状况。然而,高维传感数据通常结构复杂,充分发挥数据潜力在很大程度上取决于先进的分析和预测方法。本文提出了一种物理约束的深度学习(P-DL)框架,用于高维逆ECG建模。该方法将复杂系统的物理定律与先进的深度学习基础设施相结合,以有效预测系统动力学。提出的P-DL方法被实现来求解逆ECG模型,并从由体表传感器网络测量的ECG数据预测心脏中的电势的时变分布。实验结果表明,所提出的P-DL方法显着优于现有的方法,在当前的实践中常用的。
2022-01-30 cs.LG
A Lightweight Phenology-Aware YOLOv5 Framework for Tomato Growth Stage Detection in Resource-Constrained Bhutanese Greenhouse Environments
针对不丹资源受限温室环境,提出轻量级物候感知的Pheno-Lite+ECA架构,构建含2464张图像的番茄数据集,实现92.6% mAP@50,可用于当地番茄生长阶段检测
2026-09-01 cs.LG
Variable Name Recovery in Decompiled Binary Code using Constrained Masked Language Modeling
Arizona State University(亚利桑那州立大学)
反编译是将二进制程序转换为高级表示(如源代码)以供人类分析人员检查的过程。虽然现代反编译器可以重建和恢复在编译过程中丢弃的许多信息,但推断变量名仍然非常困难。受自然语言处理最新进展的启发,我们提出了一种新的解决方案来推断反编译代码中的变量名称,基于掩码语言建模,字节对编码和神经架构,如Transformers和BERT。我们的解决方案需要\textit{raw}反编译器的输出,语义意义不大的代码,作为输入,并丰富它使用我们提出的\textit{finetuning}技术,约束屏蔽语言建模。使用受约束的掩码语言建模引入了预测原始变量名的掩码标记数量的挑战。我们解决这个\textit{count of token prediction}的挑战与我们的后处理算法。与最先进的方法相比,我们训练的VarBERT模型更简单,性能更好。我们在一个包含164,632个二进制文件的现有大规模数据集上评估了我们的模型,并表明它可以预测与原始源代码中相同的变量名称,高达84.15%。
2021-03-23 cs.CL cs.CR cs.LG
Convex-constrained Sparse Additive Modeling and Its Extensions
Eller College of Management, University of Arizona(亚利桑那大学埃勒管理学院);School of Computer Science, University of Waterloo(滑铁卢大学计算机科学学院)
稀疏可加模型是实现高维非参数回归的一类有效方法。在这项工作中,我们将展示如何形状约束,如凸性/凸性及其扩展,可以集成到添加剂模型。提出的稀疏差分凸可加模型(SDCAM)可以估计大多数连续函数,而无需任何先验光滑性假设。受凸函数差异的表征的启发,我们的方法结合了一个自然的正则化泛函,以避免过拟合和降低模型的复杂性。在计算上,我们开发了一个有效的回拟合算法与线性每次迭代的复杂性。在合成数据和真实数据上的实验验证了我们的方法与最先进的稀疏加性模型相比具有竞争力,在大多数情况下都具有更好的性能。
2017-05-01 cs.LG stat.ML
In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
Zhejiang University(浙江大学);OPPO Research Institute(OPPO研究院)
提出In-UCDS框架,通过约束支配集聚类和公平性损失处理,解决推荐系统用户导向公平性问题,并在三个数据集上验证其优于现有方法。
2023-09-04 cs.CY cs.IR cs.LG
Small-data Reduced Order Modeling of Chaotic Dynamics through SyCo-AE: Synthetically Constrained Autoencoders
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对混沌动力学数据驱动降阶建模易发散或耗散的问题,提出SyCo-AE方法,在降阶空间施加合成约束,兼顾非线性与稳定性,在Lorenz '96方程上以更少数据实现更低误差的中长期预测。
2023-05-14 cs.LG math.DS
Deep autoencoders for physics-constrained data-driven nonlinear materials modeling
University of California, San Diego(加州大学圣地亚哥分校);Pacific Northwest National Laboratory(太平洋西北国家实验室)
物理约束数据驱动计算是一种新兴的计算范式,它可以直接基于材料数据库对复杂材料进行模拟,而不需要建立经典的本构模型。然而,它仍然难以处理高维应用和外推推广。本文介绍了数据驱动框架下的深度学习技术,以解决非线性材料建模中的这些基本问题。为此,引入自动编码器神经网络架构来学习给定材料数据库的底层低维表示(嵌入)。然后将离线训练的自动编码器和发现的嵌入空间并入在线数据驱动计算中,使得可以在低维空间上执行从数据库中搜索最佳材料状态,旨在增强投影材料数据的鲁棒性和可预测性。为了保证数值稳定性和代表性的本构流形,一个保凸插值方案定制建议的基于自动编码器的数据驱动求解器,提出了用于构建材料状态。在这项研究中,所提出的方法的适用性证明了非线性生物组织建模。对数据噪声、数据大小和稀疏性、训练初始化和模型结构进行了参数研究,以检验所提出方法的鲁棒性和收敛性。
2022-09-03 cs.CE cs.LG cs.NA
Decomposition-Based Modular Conformal Prediction for Two-Stage Modeling
Operations Research Center, Massachusetts Institute of Technology, Cambridge, MA, USA(麻省理工学院运筹学研究中心);Laboratory for Information and Decision Systems, Massachusetts Institute of Technology, Cambridge, MA, US(麻省理工学院信息与决策系统实验室);Sloan School of Management, Massachusetts Institute of Technology, Cambridge, MA, USA(麻省理工学院斯隆管理学院)
提出一种针对两阶段顺序模型的共形预测框架,通过将预测残差分解为阶段特定成分,利用族系错误率控制校准缩放参数,实现不确定性归因和鲁棒覆盖。
2026-05-22 cs.LG stat.ML
SNAP-FM: Sparse Nonlinear Accelerated Projection for Physics-Constrained Generative Modeling
针对物理约束生成模型推理时投影计算昂贵的问题,提出利用块稀疏雅可比和KKT系统结构,结合GPU稀疏优化实现高效非线性约束投影,加速约束采样。
2026-09-04 cs.AI cs.CE cs.LG
HALO: Enhancing Time Series Generation via Hyperspherical Latents and Masked AutoregRessive Modeling
East China Normal University(华东师范大学)
HALO提出超球面VAE约束连续潜变量并采用掩码自回归模型,解决时间序列生成中信息丢失与误差累积问题,实现最先进性能并大幅提升推理效率。
2026-09-30 cs.LG
Physics-constrained neural networks for surrogate modeling of lossless periodic structures
Institute of Space Research, German Aerospace Center (DLR)(航天研究院,德国航天中心(DLR))
提出物理约束神经网络(PCNN),通过将能量守恒作为硬约束投影到Stiefel流形,快速预测RCWA输出的Jones矩阵,并用于增强现实眼镜的衍射波导合束器逆向设计。
2026-09-11 cs.LG physics.optics
Automating modeling in mechanics: LLMs as designers of physics-constrained neural networks for constitutive modeling of materials
Institute of Material Systems Modeling, Helmholtz-Zentrum Hereon(材料系统建模研究所,海德堡中心);Institute for Continuum and Material Mechanics, Hamburg University of Technology(连续力学与材料力学研究所,汉堡技术大学);Helmholtz-Zentrum Hereon(海德堡中心);Hamburg University of Technology(汉堡技术大学)
本文提出利用LLM自动设计物理约束神经网络,用于材料本构建模,实现建模自动化和高效准确的本构模型生成。
2025-12-01 cs.LG
Constrained Non-negative Matrix Factorization for Guided Topic Modeling of Minority Topics
Faculty of Information Technology and Communication Sciences(信息科技与通讯科学学院);Tampere University(塔尔皮奥大学)
针对主题模型难以捕捉少数主题的问题,提出受约束NMF方法,利用种子词和流行度约束,在合成数据上提升主题纯度等指标,并在YouTube评论中成功识别心理健康主题。
2025-05-22 cs.LG
Stage-Diff: Stage-wise Long-Term Time Series Generation Based on Diffusion Models
Shandong University(山东大学)
本文提出基于扩散模型的分阶段生成框架 Stage-Diff,通过阶段间信息传递与渐进式序列分解,兼顾长期依赖、分布漂移及通道内外关系,提升长期时间序列生成效果。
2025-08-29 cs.AI cs.LG
Constrained Reinforcement Learning for Short Video Recommendation
Kuaishou Technology(快手科技)
社交媒体上短视频的广泛流行为视频分享平台上的推荐系统的优化带来了新的机遇和挑战。用户对推荐提供复杂和多方面的响应,包括观看时间和与视频的各种类型的交互。因此,建立的涉及单个目标的推荐算法不足以满足优化综合用户体验的新需求。在本文中,我们将短视频推荐问题描述为一个受约束的马尔可夫决策过程(MDP),其中平台希望长期优化用户观看时间的主要目标,并限制用户交互(如共享/下载视频)的辅助响应。为了解决约束MDP问题,我们提出了一种基于行动者-批评者框架的两阶段强化学习方法。在第一阶段,我们学习单独的策略来优化每个辅助响应。在第二阶段,我们学习一个策略来(i)优化主响应,(ii)接近第一阶段学习的策略,这有效地保证了这个主策略在辅助策略上的性能。通过大量的模拟,我们证明了我们的方法在优化主要目标和平衡其他目标方面的有效性。我们进一步展示了我们的方法在短视频推荐的现场实验中的优势,在观看时间和视频视图的交互方面,它显着优于其他基线。我们的方法已在生产系统中全面启动,以优化平台上的用户体验。
2022-05-26 cs.IR cs.LG
Two-stage WECC Composite Load Modeling: A Double Deep Q-Learning Networks Approach
GEIRI North America(北美GEIRI研究院);Southern Methodist University(南卫理公会大学)
随着现代电力系统复杂性的增加,传统的动态负荷模型与ZIP和感应电动机(ZIP + IM)不再足以解决当前的负荷特性的转变。近年来,WECC复合负荷模型(WECC CLM)在各种稳定性研究和事故分析中显示出比传统负荷模型更有效地捕捉动态负荷响应。然而,详细的WECC CLM模型通常具有高度的复杂性,具有超过一百个参数,并且没有系统的方法来识别和校准这些参数。通过PMU和高级深度学习算法的广泛部署,本文提出了一种基于双深度Q学习网络(DDQN)的WECC CLM两阶段负载建模框架。这种两阶段方法分解了复杂的WECC CLM,以实现更有效的识别,并且不需要明确的模型细节。在第一阶段,DDQN代理确定准确的负载组成。在第二阶段中,WECC CLM的参数是从一组Monte-Carlo模拟中选择的。所选的负载参数集预期最接近真实的瞬态响应。所提出的框架进行了验证,使用IEEE 39总线测试系统的商业仿真平台。
2020-04-15 cs.LG cs.SY eess.SP
Cluster-Specific Predictive Modeling: A Scalable Solution for Resource-Constrained Wi-Fi Controllers
Radio Systems Research, Nokia Bell Labs, Stuttgart, Germany(诺基亚贝尔实验室射频系统研究部,斯图加特,德国)
本文提出通过整合聚类算法和模型评估技术,优化大规模Wi-Fi网络中的预测建模,通过特征聚类提升特定集群的预测精度,展示集群特定模型在高活动集群中优于全局模型。
2026-03-23 cs.LG eess.SP
Deep Dynamics: Vehicle Dynamics Modeling with a Physics-Constrained Neural Network for Autonomous Racing
University of Virginia(弗吉尼亚大学)
针对高速自动驾驶赛车中物理模型调校昂贵、纯数据驱动模型缺乏物理约束的问题,本文提出 Deep Dynamics PCNN,通过物理系数估计、动力学方程和 Physics Guard 层实现准确且受物理约束的高速车辆状态预测。
2024-12-02 cs.AI cs.LG cs.RO
Don't Contrast the Impossible: Region-Constrained Batching for Contrastive User Modeling on a Local Community Platform
Danggeun Market Inc. (Karrot)(당근마켓 주식회사(당근))
本研究针对本地社区平台用户建模中对比学习的不可能负样本问题,提出区域约束批采样方法,可提升用户表示质量并优化推荐、广告排序,相关嵌入已部署生产。
2026-08-03 cs.IR cs.LG
ShIOEnv: A Command Evaluation Environment for Grammar-Constrained Synthesis and Execution Behavior Modeling
Department of Computer Science, University of Texas at San Antonio, San Antonio, USA(计算机科学系,德克萨斯大学圣安东尼奥分校)
ShIOEnv通过语法约束数据集提升命令执行行为建模的准确性。
2026-10-23 cs.AI cs.CL cs.LG
Reflected Schrödinger Bridge for Constrained Generative Modeling
Morgan Stanley(摩根士丹利);Meta AI (FAIR)(Meta AI(FAIR))
本文提出 Reflected Schrödinger Bridge 算法,通过推导反射前向-后向随机微分方程并引入熵正则化最优传输,解决了反射扩散模型在有界域生成中适应性差且不保证最优传输的问题,实现了跨域的稳健生成建模。
2024-01-06 cs.LG stat.ML
CellFluxRL: Biologically-Constrained Virtual Cell Modeling via Reinforcement Learning
Stanford University(斯坦福大学)
本文提出CellFluxRL,通过强化学习约束虚拟细胞模型,使其在生物功能、结构有效性及形态正确性方面更符合生物学规律,从而提升虚拟细胞建模的生物意义。
2026-05-20 cs.LG q-bio.QM
Score-based constrained generative modeling via Langevin diffusions with boundary conditions
Institute for Analysis and Scientific Computing, TU Wien(维也纳技术大学分析与科学计算研究所);Department of Mathematical Sciences, Chalmers University of Technology and the University of Gothenburg(查尔姆斯理工大学数学科学系)
针对基于SDE的分数生成模型难满足约束的问题,提出带边界速度镜面反射的欠阻尼朗之万约束生成模型,构建高效最优收敛采样器,并对比两类反射扩散约束模型。
2025-10-28 cs.LG cs.NA math.NA
Entropy-Constrained Machine Learning with Residual Data Augmentation for Modeling Chemical Kinetics
Department of Mechanical and Industrial Engineering(机械与工业工程系)
提出物理约束机器学习框架加速湍流反应流DNS,用替代模型预测反应速率,引入热力学第二定律约束提高稳定性,在二维火焰DNS验证,计算成本降低超量级,基于残差的数据增强策略可参数探索,为燃烧模拟提供可靠高效替代模型。
2026-07-13 cs.LG physics.flu-dyn
What competing constraints reveal about representation learning
LaTIM UMR 1101
本文提出受限潜在状态建模(CLSM),统一了表示学习中在竞争约束下的核心原则与方法,揭示了潜在状态的内在耦合关系与根本权衡。
2026-11-19 cs.AI cs.LG
Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery
Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Minnesota(明尼苏达大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
数值建模和仿真已成为全面了解液流电池的基本机制和成本效益的工艺优化和控制的不可或缺的工具。在这项研究中,我们提出了一种增强版的物理约束深度神经网络(PCDNN)方法[1],以提供钒氧化还原液流电池(VRFBs)中的高精度电压预测。PCDNN方法的目的是在神经网络中执行基于物理的零维(0D)VRFB模型,以确保模型在各种电池操作条件下的泛化。受限于0D模型的简化,PCDNN不能捕获极端SOC区域中的急剧电压变化。为了提高极端范围内电压预测的准确性,我们引入了第二个(增强型)DNN来减轻0D模型本身带来的预测误差,并将所产生的方法称为增强型PCDNN(ePCDNN)。通过将模型预测与实验数据进行比较,我们证明了ePCDNN方法可以准确地捕获整个充放电周期的电压响应,包括电压放电曲线的尾部区域。与标准PCDNN相比,ePCDNN的预测精度有显著提高。通过调整物理约束DNN和增强DNN的权重,用于训练ePCDNN的损失函数被设计为灵活的。这允许ePCDNN框架可转移到具有可变物理模型保真度的电池系统。
2022-03-03 cs.LG physics.chem-ph
Guided Learning: Lubricating End-to-End Modeling for Multi-stage Decision-making
IDEA Research(IDEA研究院)
针对多阶段决策端到端建模易陷入次优解及缺乏显式标签的挑战,提出Guided Learning框架,通过引入引导函数和效用函数优化中间层训练,在量化投资实验中显著超越传统分阶段与现有端到端方法。
2024-11-15 cs.AI cs.LG q-fin.CP
Modeling the Dynamics of PDE Systems with Physics-Constrained Deep Auto-Regressive Networks
University of Notre Dame(圣母大学)
近年来,深度学习已被证明是大量物理系统的替代建模和不确定性量化的可行方法。然而,在其传统形式中,这些模型可能需要大量的训练数据。这对于获得数据可能极其昂贵的各种工程和科学应用特别重要。为了克服这个缺点,物理约束的深度学习提供了一种很有前途的方法,因为它只利用控制方程。在这项工作中,我们提出了一种新的自回归密集编码器-解码器卷积神经网络,用于在没有训练数据的情况下求解和建模非线性动态系统,其计算成本可能低于标准数值求解器。该模型包括一个贝叶斯框架,允许在每个时间步预测的感兴趣的量的不确定性量化。我们严格测试这个模型上的几个非线性瞬态偏微分方程系统,包括湍流的Kuramoto-Sivashinsky方程,多激波的形成和相互作用与一维Burgers方程和二维波动动力学耦合Burgers方程。对于每一个系统,预测结果和不确定性,并讨论了从传统的数值分析方法得到的结果进行比较。
2019-12-03 cs.LG physics.comp-ph stat.ML
Physics-constrained coupled neural differential equations for one dimensional blood flow modeling
University of Utah(犹他大学);Scientific Computing and Imaging Institute(科学计算与成像研究所);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出物理约束耦合神经常微分方程(PCNDE)框架,通过空间形式化动量方程提升一维血流建模精度与效率,在多种入口波形和狭窄率下优于传统FEM模型。
2025-01-03 cs.LG physics.flu-dyn
Logarithmic Memory Networks (LMNs): Efficient Long-Range Sequence Modeling for Resource-Constrained Environments
针对传统长程序列模型效率低的问题,提出采用分层对数树结构的对数记忆网络LMNs,将注意力复杂度降至O(log(n)),适配资源受限环境,代码已开源。
2025-01-14 cs.AI cs.LG
Topology-Aware Network Pruning using Multi-stage Graph Embedding and Reinforcement Learning
Iowa State University(爱荷华州立大学);Technical University of Darmstadt(达姆施塔特工业大学)
模型压缩是在功率和内存受限的资源上部署深度神经网络(DNN)的基本技术。然而,现有的模型压缩方法往往依赖于人类的专业知识,并专注于参数的局部重要性,忽略了DNN中丰富的拓扑信息。在本文中,我们提出了一种新的多阶段图嵌入技术的基础上图神经网络(GNNs)识别DNN拓扑结构,并使用强化学习(RL)找到一个合适的压缩策略。我们进行了资源受限(即,FLOPs)通道修剪,并将我们的方法与最先进的模型压缩方法进行了比较。我们在从典型到移动友好网络的各种模型上评估了我们的方法,例如ResNet系列,VGG-16,MobileNet-v1/v2和ShuffleNet。结果表明,我们的方法可以实现更高的压缩比与最小的微调成本,但产生出色的和有竞争力的性能。
2022-07-01 cs.CV cs.LG
Backward and Forward Language Modeling for Constrained Sentence Generation
Peking University(北京大学);Baidu Inc.(百度公司)
最近的语言模型,特别是那些基于递归神经网络(RNN),使得有可能从学习的概率生成自然语言。语言生成具有广泛的应用,包括机器翻译、摘要、问答、会话系统等。现有方法通常学习以附加信息为条件的单词的联合概率,该附加信息(静态或动态地)被馈送到RNN的隐藏层。在许多应用中,我们可能会对生成的文本施加硬约束,即,一个特定的词必须出现在句子中。不幸的是,现有的方法不能解决这个问题。在本文中,我们提出了一种新的向后和向前语言模型。提供一个特定的单词,我们使用RNN同时或异步地生成以前的单词和将来的单词,从而产生两个模型变体。这样,给定的单词可以出现在句子中的任何位置。实验结果表明,生成的文本质量与序列LM相当。
2016-01-03 cs.CL cs.LG cs.NE
Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics
Pacific Northwest National Laboratory(太平洋西北国家实验室)
我们提出了一种物理约束的面向控制的深度学习方法来建模建筑热动力学。所提出的方法是基于系统编码的物理为基础的先验知识到一个结构化的递归神经架构。具体来说,我们的方法将结构先验从传统的基于物理的建筑建模到神经网络热动力学模型结构。此外,我们利用惩罚方法来提供不等式约束,从而将预测限制在物理现实和安全的操作范围内。观察到稳定的特征值准确地表征了系统的耗散性,我们还使用了基于Perron-Frobenius定理的约束矩阵参数化来约束建筑物热模型参数矩阵的主导特征值。我们证明了所提出的数据驱动的建模方法的有效性和物理可解释性的数据集,从现实世界的办公楼与20个热区。仅使用10天的测量进行训练,我们证明了连续20天的泛化,与文献中报道的现有最先进的结果相比,显着提高了准确性。
2020-11-11 cs.LG cs.NE cs.SY