MARC

 008260203s2023        us                              c    eng  d
■001000017366015
■00520260209102914
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265402097
■035    ▼a(MiAaPQ)AAI32316206
■035    ▼a(MiAaPQ)GeorgiaTech72763
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a536.7
■1001  ▼aSaha,  Priyabrata.
■24510▼aDeep  Learning  for  Dynamical  Systems:  Modeling,  Prediction,  and  Control
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a207  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Mukhopadhyay,  Saibal.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aModeling  and  control  of  dynamical  systems  are  fundamental  problems  across  several  scientific  and  engineering  disciplines.  Traditionally,  dynamical  systems  or  processes  are  modeled  by  a  set  of  differential  equations  constructed  based  on  physical  principles  and  extensive  experiments.  However,  in  many  practical  scenarios,  analytical  modeling  is  very  challenging  and/or  can  only  describe  the  system  behavior  partially.  Furthermore,  real-world  dynamical  processes  are  inherently  nonlinear  which  makes  the  downstream  task  of  control  notoriously  difficult.  In  recent  years,  the  success  of  deep  learning  in  various  complex  tasks  has  motivated  many  researchers  to  exploit  deep  learning  for  automatic  modeling  and  control  synthesis  for  dynamical  systems  from  data.  However,  deep  learning  methods  have  their  own  drawbacks  including  high  sample  complexity,  requirements  of  regular  data  structure,  difficulty  in  long-term  prediction,  lack  of  generalizability  outside  of  training  scenarios,  etc.This  thesis  introduces  a  novel  framework  that  leverages  deep  learning  within  the  traditional  identify-then-design  paradigm  to  develop  control  policies  for  unknown  or  partially  known  dynamical  systems,  addressing  the  aforementioned  challenges.  The  model  learning  process  incorporates  existing  scientific  knowledge  and  numerical  techniques  to  facilitate  learning  from  limited  and  partial  observations  as  well  as  to  improve  long-term  prediction  accuracy  and  generalizability  under  system  parameter  changes.  Given  an  identified  or  learned  model,  the  control  learning  process  leverages  a  self-supervised  formulation  guided  by  a  Lyapunov-constrained  deep  neural  network  to  ensure  stability  and  improve  sample  efficiency.  The  proposed  framework  is  evaluated  in  prediction  and  control  tasks  for  several  dynamical  systems  including  multi-agent  dynamics  and  spatiotemporal  dynamics.
■590    ▼aSchool  code:  0078.
■650  4▼aHeat
■650  4▼aDeep  learning
■650  4▼aDynamical  systems
■650  4▼aVisualization
■650  4▼aDistance  learning
■650  4▼aNeural  networks
■650  4▼aEducational  technology
■650  4▼aMathematics
■690    ▼a0800
■690    ▼a0710
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17366015▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books