XiaoMi-AI文件搜索系统
World File Search System时变数据
自主总线轨迹跟踪系统的强大无模型自适应迭代学习控制
摘要在这项工作中提出了一种强大的无模型自适应迭代学习控制（R-MFAILC）算法，以解决横向控制自动驾驶总线的问题。首先，根据自主总线的周期重复工作特性，利用了迭代域中使用的一种新型的动态线性化方法，并给出了具有伪梯度（PG）的时变数据模型。然后，R-MFAILC控制器的设计具有建议的自适应衰减因子。所提出的算法的优势在于R-MFAILC控制器，该控制器仅利用了调节实体的输入和输出数据。此外，R-MFAILC控制器具有很强的鲁棒性，并且可以处理系统的非线性测量干扰。在基于卡车SIM模拟平台的模拟中，验证了所提出的算法的有效性。使用严格的数学分析来证明所提出算法的稳定性和收敛性。
![arXiv:2206.06131v2 [q-bio.NC] 2022 年 10 月 20 日](/simg/5\5f77dbdede8809fb0373235af92c7488c05ff72a.webp)
arXiv:2206.06131v2 [q-bio.NC] 2022 年 10 月 20 日
复杂的时变系统通常通过从单个组件的动态中抽象出来，从一开始就构建群体水平的动态模型来研究。然而，在构建群体水平的描述时，很容易忽视每个个体以及它们对大局的贡献。在本文中，我们提出了一种新颖的 Transformer 架构，用于从时变数据中学习，该架构可以构建个体和集体群体动态的描述。我们不是一开始就将所有数据组合到模型中，而是开发了一个可分离的架构，该架构首先对单个时间序列进行操作，然后再将它们传递下去；这会产生置换不变性，可用于在不同大小和顺序的系统之间进行传输。在证明我们的模型可以成功恢复多体系统中的复杂相互作用和动态之后，我们将我们的方法应用于神经系统中的神经元群体。在神经活动数据集上，我们表明我们的模型不仅具有强大的解码性能，而且在跨不同动物记录的迁移中也表现出色，无需任何神经元级对应关系。通过实现可迁移到不同大小和顺序的神经记录的灵活预训练，我们的工作为创建神经解码的基础模型迈出了第一步。
既见森林又见树木：使用 transformer 构建个体和集体动态的表示
复杂的时变系统通常通过从单个组件的动态中抽象出来，从一开始就构建种群水平动态模型来研究。然而，在构建种群水平描述时，很容易忽略每个个体以及每个个体对大局的贡献。在本文中，我们提出了一种新颖的 Transformer 架构，用于从时变数据中学习，该架构构建了个体和集体种群动态的描述。我们不是一开始就将所有数据组合到模型中，而是开发了一种可分离的架构，该架构首先对单个时间序列进行操作，然后再将它们传递下去；这会产生置换不变性，可用于在不同大小和顺序的系统之间进行传输。在证明我们的模型可以成功恢复多体系统中的复杂相互作用和动态之后，我们将我们的方法应用于神经系统中的神经元群体。在神经活动数据集上，我们表明我们的多尺度 Transformer 不仅具有强大的解码性能，而且还提供了令人印象深刻的传输性能。我们的结果表明，有可能从一种动物大脑中的神经元中学习，并将模型转移到另一种动物大脑中的神经元上，并且可以解释不同集合和动物之间的神经元对应关系。这一发现开辟了一条从大量神经元集合中进行解码和表示的新途径。