LEARNING
面向测量噪声与扰动的鲁棒直接数据驱动哈密顿量用于安全集计算
Mohammad Bajelani, Christopher A. Strong, Claire J. Tomlin, Jason J. Choi, Klaske van Heusden
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出了一种鲁棒数据驱动哈密顿量（R-DDH）方法，从含噪声的测量数据中直接计算安全集的下界逼近。通过理论分析和数值案例验证，该方法能有效处理测量噪声和外部扰动，并保证收敛性。
关键词
safe set computationdata-driven controlreachability analysisrobust controlHamiltonian
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018