Buchumschlag

Learning-based augmentation of first-principle models: A linear fractional representation-based approach

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hoekstra, Jan H., Györök, Bendegúz M., Tóth, Roland, Schoukens, Maarten
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Orthogonal-by-construction augmentation of physics-based input-output models
von: Györök, Bendegúz M., et al.
Veröffentlicht: (2025)

Orthogonal projection-based regularization for efficient model augmentation
von: Györök, Bendegúz M., et al.
Veröffentlicht: (2025)

Data-driven augmentation of first-principles models under constraint-free well-posedness and stability guarantees
von: Györök, Bendegúz, et al.
Veröffentlicht: (2026)

Learning-based model augmentation with LFRs
von: Hoekstra, Jan H., et al.
Veröffentlicht: (2024)

Encoder initialisation methods in the model augmentation setting
von: Hoekstra, J. H., et al.
Veröffentlicht: (2026)

Efficient Learning of Affine and Rational Dependency LPV Models With Linear Fractional Representation
von: Drenth, Roel, et al.
Veröffentlicht: (2026)

Meta-State-Space Learning: An Identification Approach for Stochastic Dynamical Systems
von: Beintema, Gerben I., et al.
Veröffentlicht: (2023)

Least Costly Space-Filling Experiment Design for the Identification of a Nonlinear System
von: Kiss, Máté, et al.
Veröffentlicht: (2026)

Physics-Guided State-Space Model Augmentation Using Weighted Regularized Neural Networks
von: Liu, Yuhan, et al.
Veröffentlicht: (2024)

Space-Filling Input Design for Nonlinear State-Space Identification
von: Kiss, Máté, et al.
Veröffentlicht: (2024)

On Space-Filling Input Design for Nonlinear Dynamic Model Learning: A Gaussian Process Approach
von: Liu, Yuhan, et al.
Veröffentlicht: (2025)

Exact Finite Koopman Embedding of Block-Oriented Polynomial Systems
von: Iacob, Lucian Cristian, et al.
Veröffentlicht: (2025)

Koopman Form of Nonlinear Systems with Inputs
von: Iacob, Lucian Cristian, et al.
Veröffentlicht: (2022)

Feedback Identification of conductance-based models
von: Burghi, Thiago B., et al.
Veröffentlicht: (2020)

A frequency-domain approach for estimating continuous-time diffusively coupled linear networks
von: Liang, Desen, et al.
Veröffentlicht: (2024)

A behavioral approach for LPV data-driven representations
von: Verhoek, Chris, et al.
Veröffentlicht: (2024)

Baseline Results for Selected Nonlinear System Identification Benchmarks
von: Champneys, Max D., et al.
Veröffentlicht: (2024)

Tensor-based reduction of linear parameter-varying state-space models
von: Terzin, Bogoljub, et al.
Veröffentlicht: (2025)

Efficient identification of linear, parameter-varying, and nonlinear systems with noise models
von: Bemporad, Alberto, et al.
Veröffentlicht: (2025)

State Derivative Normalization for Continuous-Time Deep Neural Networks
von: Weigand, Jonas, et al.
Veröffentlicht: (2024)

System identification of biophysical neuronal models
von: Burghi, Thiago B., et al.
Veröffentlicht: (2020)

Kernel-based multi-step predictors for data-driven analysis and control of nonlinear systems through the velocity form
von: Verhoek, Chris, et al.
Veröffentlicht: (2024)

Gaussian-Process-based Adaptive Tracking Control with Dynamic Active Learning for Autonomous Ground Vehicles
von: Floch, Kristóf, et al.
Veröffentlicht: (2025)

Direct data-driven interpolation and approximation of linear parameter-varying system trajectories
von: Verhoek, Chris, et al.
Veröffentlicht: (2025)

Nonlinear Bandwidth and Bode Diagrams based on Scaled Relative Graphs
von: Krebbekx, Julius P. J., et al.
Veröffentlicht: (2025)

Learning Koopman Models From Data Under General Noise Conditions
von: Iacob, Lucian Cristian, et al.
Veröffentlicht: (2025)

Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
von: de Jong, Thomas, et al.
Veröffentlicht: (2024)

Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks
von: van Otterdijk, G. J. E., et al.
Veröffentlicht: (2024)

Identification of Port-Hamiltonian Differential-Algebraic Equations from Input-Output Data
von: Hagelaars, N., et al.
Veröffentlicht: (2026)

Measurements and System Identification for the Characterization of Smooth Muscle Cell Dynamics
von: Ozturk, Dilan, et al.
Veröffentlicht: (2024)

On the reduction of Linear Parameter-Varying State-Space models
von: Olucha, E. Javier, et al.
Veröffentlicht: (2024)

Improved Initialization for Port-Hamiltonian Neural Network Models
von: van Otterdijk, G. J. E., et al.
Veröffentlicht: (2026)

On the constrained feedback linearization control based on the MILP representation of a ReLU-ANN
von: Do, Huu-Thinh, et al.
Veröffentlicht: (2024)

Approximate non-linear model predictive control with safety-augmented neural networks
von: Hose, Henrik, et al.
Veröffentlicht: (2023)

Learning Stable and Robust Linear Parameter-Varying State-Space Models
von: Verhoek, Chris, et al.
Veröffentlicht: (2023)

Machine learning-based input-augmented Koopman modeling and predictive control of nonlinear processes
von: Li, Zhaoyang, et al.
Veröffentlicht: (2024)

Data-driven Learning of LPV Surrogate Models of Fuel Sloshing
von: Olucha, E. Javier, et al.
Veröffentlicht: (2026)

Direct Data-Driven State-Feedback Control of Linear Parameter-Varying Systems
von: Verhoek, Chris, et al.
Veröffentlicht: (2022)

Computationally Efficient Sampling-Based Algorithm for Stability Analysis of Nonlinear Systems
von: Antal, Péter, et al.
Veröffentlicht: (2024)

Direct data-driven LPV control of nonlinear systems: An experimental result
von: Verhoek, Chris, et al.
Veröffentlicht: (2022)