SEKF ermöglicht effiziente Anpassung neuronaler Modelle bei knappen Daten

In der Welt der datengetriebenen Modellierung dynamischer Systeme ist die Menge an Trainingsdaten oft ein entscheidender Faktor. Für viele praktische Anwendungen ist die Erhebung umfangreicher Datensätze jedoch aus Kosten- oder Sicherheitsgründen nicht realisierbar.

Die neue Studie zeigt, wie der Subset Extended Kalman Filter (SEKF) dazu genutzt werden kann, bereits vortrainierte neuronale Netzwerke an neue, aber ähnliche Systeme anzupassen, selbst wenn nur sehr wenige Daten vorliegen. Durch gezielte Parameteranpassungen kann das Modell die Dynamik des Zielsystems erfassen.

Experimentelle Tests an einem gedämpften Federpendel und einem kontinuierlichen Rührkessel (CSTR) demonstrieren, dass bereits kleine Parameterstörungen des Ausgangsmodells die Zielsystemdynamik mit lediglich 1 % der ursprünglichen Trainingsdaten reproduzieren können. Diese Vorgehensweise reduziert nicht nur den Rechenaufwand, sondern senkt auch die Generalisierungsfehler.

Die Ergebnisse unterstreichen die Leistungsfähigkeit des SEKF als effizientes Werkzeug zur Modellanpassung in datenarmen Szenarien und eröffnen neue Möglichkeiten für die schnelle Implementierung von dynamischen Systemen in der Praxis.