Open WL Archief (OWA)

Over het archief

Het OWA, het open archief van het Waterbouwkundig Laboratorium heeft tot doel alle vrij toegankelijke onderzoeksresultaten van dit instituut in digitale vorm aan te bieden. Op die manier wil het de zichtbaarheid, verspreiding en gebruik van deze onderzoeksresultaten, alsook de wetenschappelijke communicatie maximaal bevorderen.

Dit archief wordt uitgebouwd en beheerd volgens de principes van de Open Access Movement, en het daaruit ontstane Open Archives Initiative.

Basisinformatie over ‘Open Access to scholarly information'.

[ meld een fout in dit record ]

mandje (1): toevoegen | toon

---

one publication added to basket [289169]
A flexible state-space model for learning nonlinear dynamical systems Svensson, A.; Schön, T.B. (2017). A flexible state-space model for learning nonlinear dynamical systems. Automatica 80: 189-199. https://dx.doi.org/10.1016/j.automatica.2017.02.030 In: Automatica. PERGAMON-ELSEVIER SCIENCE LTD: Oxford. ISSN 0005-1098; e-ISSN 1873-2836, meer

---

Beschikbaar in	Auteurs
VLIZ: Non-open access 306856 [ aanvragen ]

---

Trefwoorden

Others Others > Modelling & Prediction Scientific Community Scientific Publication Software/Modelling Tool

Author keywords

System identification; Nonlinear models; Regularization; Probabilisticmodels; Bayesian learning; Gaussian processes; Monte Carlo methods

---

Project	Top | Auteurs
Association of European marine biological laboratories, meer

---

Auteurs		Top
Svensson, A. Schön, T.B.

---

Abstract

We consider a nonlinear state-space model with the state transition and observation functions expressed as basis function expansions. The coefficients in the basis function expansions are learned from data. Using a connection to Gaussian processes we also develop priors on the coefficients, for tuning the model flexibility and to prevent overfitting to data, akin to a Gaussian process state-space model. The priors can alternatively be seen as a regularization, and helps the model in generalizing the data without sacrificing the richness offered by the basis function expansion. To learn the coefficients and other unknown parameters efficiently, we tailor an algorithm using state-of-the-art sequential Monte Carlo methods, which comes with theoretical guarantees on the learning. Our approach indicates promising results when evaluated on a classical benchmark as well as real data.

---

Alle informatie in het Integrated Marine Information System (IMIS) valt onder het VLIZ Privacy beleid

Top | Auteurs

IMIS is ontwikkeld en wordt gehost door het VLIZ.