ac米兰官方网站 用于非线性系统识别和可解释机器学习的不确定性模型选择方法

引用

Gu Y & Wei H (2024) 用于非线性系统识别和可解释机器学习的不确定性模型选择方法。在：2024 年第 32 届地中海控制与自动化会议 (MED) 会议记录。 2024 年第 32 届地中海控制与自动化会议 (MED)，干尼亚 - 希腊克里特岛，2024 年 6 月 11 日至 2024 年 6 月 14 日。 IEEE，第 909-914 页。 https://doi.org/10.1109/med61351.2024.10566184

摘要
对不确定性进行建模一直是数据驱动建模和机器学习领域的一个活跃且重要的主题。任何数据建模过程中都普遍存在不确定性，这使得在许多潜在候选模型中识别最佳模型变得具有挑战性。本文提出了一种不确定性通知方法来解决模型选择问题。该方法的性能是在复杂系统模型生成的数据集上进行评估的。实验结果证明了该方法的有效性及其相对于传统方法的优越性。该方法对训练数据长度和模型类型要求极低，适用于各种建模框架。

关键字
数据驱动建模；适应模型；不确定;循环神经网络；训练数据；机器学习；数据模型

• 2024会议用于非线性系统识别和可解释机器学习的不确定性模型选择方法