Buchumschlag

Physics-Constrained Taylor Neural Networks for Learning and Control of Dynamical Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nguyen, Nam T., Tique, Juan C.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Modeling Power Systems Dynamics with Symbolic Physics-Informed Neural Networks
von: Tran, Huynh T. T., et al.
Veröffentlicht: (2023)

Meta-Learning for Physically-Constrained Neural System Identification
von: Chakrabarty, Ankush, et al.
Veröffentlicht: (2025)

Sample-Free Safety Assessment of Neural Network Controllers via Taylor Methods
von: Evans, Adam, et al.
Veröffentlicht: (2026)

Iterative Learning Predictive Control for Constrained Uncertain Systems
von: Zuliani, Riccardo, et al.
Veröffentlicht: (2025)

Learning Networked Dynamical System Models with Weak Form and Graph Neural Networks
von: Yu, Yin, et al.
Veröffentlicht: (2024)

Cooptimizing Safety and Performance Using Safety Value-Constrained Model Predictive Control
von: Wang, Hao, et al.
Veröffentlicht: (2026)

Safety-Constrained Optimal Control for Unknown System Dynamics
von: Kounatidis, Panagiotis, et al.
Veröffentlicht: (2026)

Safe Data-Driven Control and Dynamical Learning via Constrained Neural Architectures and Koopman Operators
von: Feng, Lin, et al.
Veröffentlicht: (2026)

Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems
von: Nguyen, Binh, et al.
Veröffentlicht: (2026)

Taylor-Lagrange Control for Safety-Critical Systems
von: Xiao, Wei, et al.
Veröffentlicht: (2025)

Decision-Focused Learning for Neural Network-Constrained HVAC Scheduling
von: Favaro, Pietro, et al.
Veröffentlicht: (2025)

Data-Driven Inverse Reinforcement Learning of Linear Systems with Model Uncertainty: A Convex Optimization View
von: Nguyen, Duc Cuong, et al.
Veröffentlicht: (2026)

Physics-informed Graphical Neural Network for Power System State Estimation
von: Ngo, Quang-Ha, et al.
Veröffentlicht: (2023)

Physics-Informed Neural Networks in Power System Dynamics: Improving Simulation Accuracy
von: Nadal, Ignasi Ventura, et al.
Veröffentlicht: (2025)

Learning Dissipative Neural Dynamical Systems
von: Xu, Yuezhu, et al.
Veröffentlicht: (2023)

Event-Triggered Adaptive Taylor-Lagrange Control for Safety-Critical Systems
von: Liu, Shuo, et al.
Veröffentlicht: (2026)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Constrained Learning for Decentralized Multi-Objective Coverage Control
von: Cervino, Juan, et al.
Veröffentlicht: (2024)

Collaborative Safety-Critical Control for Dynamically Coupled Networked Systems
von: Butler, Brooks A., et al.
Veröffentlicht: (2023)

Hopfield Neural Networks for Online Constrained Parameter Estimation with Time-Varying Dynamics and Disturbances
von: Silva, Miguel Pedro
Veröffentlicht: (2025)

Neural-NPV Control: Learning Parameter-Dependent Controllers and Lyapunov Functions with Neural Networks
von: Niloy, MD Abul Kashem, et al.
Veröffentlicht: (2026)

Provably Safe Control for Constrained Nonlinear Systems with Bounded Input
von: Kumar, Saurabh, et al.
Veröffentlicht: (2025)

Extended State Observer for Mismatch Disturbances Using Taylor Approximation of the Integral
von: Nguyen, Cuong Duc
Veröffentlicht: (2024)

A Unified Control-Theoretic Framework for Saddle-Point Dynamics in Constrained Optimization
von: Centorrino, Veronica, et al.
Veröffentlicht: (2026)

Privacy and Security in Network Controlled Systems via Dynamic Masking
von: Abdalmoaty, Mohamed, et al.
Veröffentlicht: (2022)

Contributions to Semialgebraic-Set-Based Stability Verification of Dynamical Systems with Neural-Network-Based Controllers
von: Detailleur, Alvaro, et al.
Veröffentlicht: (2025)

Deep Neural Network-Enhanced Frequency-Constrained Optimal Power Flow with Multi-Governor Dynamics
von: Jiang, Fan, et al.
Veröffentlicht: (2026)

Neural Network-Augmented Iterative Learning Control for Friction Compensation of Motion Control Systems with Varying Disturbances
von: Mashhadireza, Ali, et al.
Veröffentlicht: (2025)

Physics-informed Modularized Neural Network for Advanced Building Control by Deep Reinforcement Learning
von: Jiang, Zixin, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks: a Plug and Play Integration into Power System Dynamic Simulations
von: Nadal, Ignasi Ventura, et al.
Veröffentlicht: (2024)

On Physics-Informed Neural Network Control for Power Electronics
von: Hui, Peifeng, et al.
Veröffentlicht: (2024)

Learning Safe-by-Design Neural Network Controllers
von: Zhao, Yang, et al.
Veröffentlicht: (2026)

A Data-Driven Safety Preserving Control Architecture for Constrained Cyber-Physical Systems
von: Attar, Mehran, et al.
Veröffentlicht: (2023)

Forward Invariance in Neural Network Controlled Systems
von: Harapanahalli, Akash, et al.
Veröffentlicht: (2023)

Learning Hierarchical Control For Multi-Agent Capacity-Constrained Systems
von: Vallon, Charlott, et al.
Veröffentlicht: (2024)

Centrality-Based Security Allocation in Networked Control Systems
von: Nguyen, Anh Tung, et al.
Veröffentlicht: (2026)

Empirical Study of Dynamic Regret in Online Model Predictive Control for Linear Time-Varying Systems
von: Nguyen, Nhat M.
Veröffentlicht: (2025)

Hierarchical End-to-End Taylor Bounds for Complete Neural Network Verification
von: Entesari, Taha, et al.
Veröffentlicht: (2026)

Inverse Inference on Cooperative Control of Networked Dynamical Systems
von: Li, Yushan, et al.
Veröffentlicht: (2025)

Robust Stability of Neural Network Control Systems with Interval Matrix Uncertainties
von: Zhang, Yuhao, et al.
Veröffentlicht: (2023)