PE-MHL：用于复杂系统可扩展学习的物理编码模块化混合层

arXiv:2606.04290v1 公告类型：新 摘要：结合基于物理和数据驱动组件的混合模型在控制应用中展现出实现准确性和可解释性的强大潜力。尽管近期方法在融合物理一致性方面取得了进展，但在可扩展性、对噪声的鲁棒性以及模型复杂度控制方面仍存在挑战。本文提出了一种物理编码模块化混合层（PE-MHL）框架，该框架通过逐步添加新的子模型来持续优化基线物理模型，每个新组件在保留先前组件已学习知识的同时增加复杂度。我们为此构建提供了理论保证：通过对每个新子模型进行最小二乘初始化，训练误差随子模型数量单调非增且可证明收敛。在非线性NARX基准测试和Quanser Aero 2平台上的实证评估表明，PE-MHL在精度和泛化能力上均优于同等规模的单一网络，同时提供更稳定的训练动态并更好地保留底层数据结构。