Název:	Hybrid Neural Network Augmented Physics-based Models for Nonlinear Filtering
Autoři:	Imbiriba, Tales Demirkaya, Ahmet Duník, Jindřich Straka, Ondřej Erdoğmuş, Deniz Closas, Pau
Citace zdrojového dokumentu:	IMBIRIBA, T. DEMIRKAYA, A. DUNÍK, J. STRAKA, O. ERDOĞMUŞ, D. CLOSAS, P. Hybrid Neural Network Augmented Physics-based Models for Nonlinear Filtering. In Proceedings of the 25th International Conference on Information Fusion, FUSION 2022. Linköping, Sweden: IEEE, 2022. s. 1-6. ISBN: 978-1-73774-972-1 , ISSN: neuvedeno
Datum vydání:	2022
Nakladatel:	IEEE
Typ dokumentu:	konferenční příspěvek ConferenceObject
URI:	2-s2.0-85136554327 http://hdl.handle.net/11025/51459
ISBN:	978-1-73774-972-1
ISSN:	neuvedeno
Klíčová slova v dalším jazyce:	Nonlinear filtering;Target tracking;Hybrid Neural Network;Physics-based Neural Models;Gaussian filtering
Abstrakt v dalším jazyce:	In this paper we present a hybrid neural network augmented physics-based modeling (APBM) framework for Bayesian nonlinear latent space estimation. The proposed APBM strategy allows for model adaptation when new operation conditions come into play or the physics-based model is insufficient (or incomplete) to properly describe the latent phenomenon. One advantage of the APBMs and our estimation procedure is the capability of maintaining the physical interpretability of estimated states. Furthermore, we propose a constraint filtering approach to control the neural network contributions to the overall model. We also exploit assumed density filtering techniques and cubature integration rules to present a flexible estimation strategy that can easily deal with nonlinear models and high-dimensional latent spaces. Finally, we demonstrate the efficacy of our methodology by leveraging a target tracking scenario with nonlinear and incomplete measurement and acceleration models, respectively.
Práva:	Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © IEEE
Vyskytuje se v kolekcích:	Konferenční příspěvky / Conference papers (NTIS) Konferenční příspěvky / Conference Papers (KKY) OBD

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.