مدل های مبتنی بر یادگیری عمیق در شناسایی سیستم های غیرخطی

 مدل های مبتنی بر یادگیری عمیق عملکرد بسیار مناسبی در مدل سازی مسائل پیچیده در بینایی ماشین و پردازش زبان طبیعی از خود نشان داده‌اند که این موضوع به ماهیت غیرخطی و فراپارامتری این مدل ها نسبت داده می شود. روش های شناسایی سیستم های غیرخطی، می تواند از ابزارهای توسعه‌یافته در حوزه یادگیری عمیق بهره مند شوند که این امر موجب گسترده شدن ابزارهای موجود برای انتخاب یک مدل مناسب خواهد شد. ازاین‌رو، در این مقاله قصد داریم تا روش ها و ساختارهای موجود در یادگیری عمیق را از دیدگاه شناسایی سیستم های غیرخطی مرور کنیم. اگرچه مرور نسبتاً جامعی از ابزارهای قابل‌استفاده در حوزه شناسایی سیستم های غیرخطی ارائه خواهد شد، اما تمرکز اصلی این پژوهش بر کاربرد مدل های متغیر پنهان در شناسایی فضای حالت غیرخطی است. مدل های متغیر پنهان دسته ای از مدل های یادگیری عمیق هستند که در گروه مدل های مولد قرار می گیرند. نسخه اصلی این مدل ها، تنها قابلیت تولید داده های ایستا را داراست. اما با ترکیب شبکه های عصبی بازگشتی و خود رمزنگار تغییراتی، قابلیت تولید داده های ترتیبی برای این مدل ها نیز فراهم شده است. همچنین نسخه  ساختاریافته ای از این مدل ها نیز که  منطبق بر سیستم های کنترل است، ارائه خواهد شد. مطالعه انجام شده نشان می دهد که عملکرد این مدل ها با مدل های پیشین و کلاسیک موجود، قابل ‌قیاس است.

deep learning based models for nonlinear system identification

deep learning-based models appropriately perform in modeling complex problems in computer vision and natural language processing (nlp). with this in mind, nonlinear system identification methods can benefit from tools developed in deep learning, leading to enriched frameworks to choose from. for this purpose, we are going to review some potential structures and methods of deep learning that can be used in nonlinear system identification. although we comprehensively review the applicable tools of deep learning to system identification, this paper mainly focuses on using latent variable models (lvm) for identifying nonlinear state space models. lvms are powerful tools for extending generative models primarily developed for only generating static data, yet by a combination of recurrent neural network (rnn) and variational auto-encoders (vae), they can also generate sequential data. a structured version of introduced models compatible with control systems will also be given. the study shows that the deep learning models have a comparative performance to traditional and classic ones.