XiaoMi-AI文件搜索系统
World File Search SystemEKF
ekf – sindy -iris re.public@polimi.it
可以通过Kalman过滤器将动态系统中的测量数据吸收到预测模型中。Kalman滤光片的非线性扩展，例如扩展的Kalman滤波器（EKF），以实现（可能是非线性）系统动力学和输入参数的关节估计。要构建在EKF的预测阶段中使用的进化模型，我们建议依靠非线性动力学（Sindy）的稀疏识别。sindy使能够直接从初步获得的数据中识别进化模型，从而避免由于错误的假设和系统动力学的不正确建模而导致可能的偏差。此外，与基于有限元素相比，Sindy模型的数值集成与替代策略相比，可以节省大量计算。最后，辛迪允许立即定义EKF所需的Jacobian矩阵，以识别系统动力学和属性，这是通常与物理模型非常相关的推导。结果，将EKF与Sindy结合起来，为识别非线性系统提供了数据驱动的计算效率，易于应用的方法，即使在Sindy的培训范围之内，也能够稳健地操作。为了证明该方法的潜力，我们解决了一个线性非自主系统的识别，该系统由真实的地震图激发的剪切构建模型以及部分观察到的非线性系统的识别。挑战
