مقاله روش نوین پروجکشن وزن مبتنی بر تجزیه شور برای معماری‌های شبکه‌های عصبی فضای حالت پایدار.
,

مقاله روش نوین پروجکشن وزن مبتنی بر تجزیه شور برای معماری‌های شبکه‌های عصبی فضای حالت پایدار.

تومان249,950

ساخت مدل‌های جعبه سیاه برای سیستم‌های دینامیکی از روی داده‌ها، به‌ویژه هنگامی که تضمین پایداری مجانبی مورد نیاز است، چالشی در یادگیری ماشین محسوب می‌شود. در این مقاله، یک طرح پروجکشن جدید و سازگار با …

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000044 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

روش نوین پروجکشن وزن مبتنی بر تجزیه شور برای معماری‌های شبکه‌های عصبی فضای حالت پایدار.

A Novel Schur-Decomposition-Based Weight Projection Method for Stable State-Space Neural-Network Architectures

نویسندگان: Sergio Vanegas, Lasse Lensu, Fredy Ruiz

شناسه منبع: arxiv / 2605.14489

دسته: Machine Learning,Systems and Control

چکیده (فارسی)

ساخت مدل‌های جعبه سیاه برای سیستم‌های دینامیکی از روی داده‌ها، به‌ویژه هنگامی که تضمین پایداری مجانبی مورد نیاز است، چالشی در یادگیری ماشین محسوب می‌شود. در این مقاله، یک طرح پروجکشن جدید و سازگار با پس‌انتشار (backpropagation) معرفی می‌کنیم که بر اساس تجزیه شِور (Schur decomposition) برای ماتریس حالت لایه‌های فضایی-حالت گسسته خطی، پایداری را تضمین می‌کند. همچنین یک فرمول‌بندی جایگزین از این روش با پیش‌فاکتوردهی ارائه می‌شود. روش‌های پیشنهادی، عامل شبه‌ماتریس مثلثی تجزیه شِور حقیقی ماتریس حالت را به طور پویا بر روی نزدیک‌ترین همتای پایدار خود پروجکت می‌کنند و پایداری دینامیک‌ها را با حداقل بیش‌پارامتری تضمین می‌نمایند. آزمایش‌ها بر روی سیستم‌های خطی مصنوعی نشان می‌دهند که این روش، با وجود افزایش جزئی در پیچیدگی محاسباتی، به نرخ دقت و همگرایی قابل مقایسه با روش‌های پیشرفته شناسایی سیستم پایدار دست می‌یابد. علاوه بر این، تعداد وزن کمتر، همگرایی در طول آموزش را بدون قربانی کردن دقت در معماری‌های شبکه‌های عصبی پشته‌ای با غیرخطی‌های ایستا که داده‌های دنیای واقعی را هدف قرار می‌دهند، تسهیل می‌کند. این نتایج نشان می‌دهند که پروجکشن مبتنی بر شِور، چارچوبی از نظر عددی پایدار برای شناسایی دینامیک‌های پیچیده، هم‌سطح با پیشرفته‌ترین روش‌ها، در حالی که الزامات سختگیرانه پایداری مجانبی را برآورده می‌کند، فراهم می‌آورد.

Abstract (English)

Building black-box models for dynamical systems from data is a challenging problem in machine learning, especially when asymptotic stability guarantees are required. In this paper, we introduce a novel stability-ensuring and backpropagation-compatible projection scheme based on the Schur decomposition for the state matrix of linear discrete-time state-space layers, as well as an alternative pre-factorized formulation of the methodology. The proposed methods dynamically project the quasi-triangular factor of the state matrix's real Schur decomposition onto its nearest stable peer, ensuring stable dynamics with minimal overparameterization. Experiments on synthetic linear systems demonstrate that the method achieves accuracy and convergence rates comparable to those of state-of-the-art stable-system identification techniques, despite a marginal increase in computational complexity. Furthermore, the lower weight count facilitates convergence during training without sacrificing accuracy in stacked neural-network architectures with static nonlinearities targeting real-world datasets. These results suggest that the Schur-based projection provides a numerically robust framework for identifying complex dynamics on par with the State of the Art while satisfying strict asymptotic-stability requirements.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله روش نوین پروجکشن وزن مبتنی بر تجزیه شور برای معماری‌های شبکه‌های عصبی فضای حالت پایدار.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا