Python 3.x 用神经网络训练物理系统的正向动力学模型

我试图用神经网络预测物理系统的正向动力学。方程式是

f（X_t，A_t）=（X_{t+1}-X_t）/dt

其中

X

是由角位置和角速度组成的状态向量，

A_t

是控制输入，

dt

是时间的小增量

t

。我有10k的数据点

我的代码：

将tensorflow导入为tf
将numpy作为np导入
从sklearn.preprocessing导入标准定标器、MinMaxScaler、RobustScaler、分位数变压器
np.设置打印选项（精度=3，抑制=True）
打印（tf.\U版本\U）
"""
试图从方程中求出状态的增量f_（θ）
x{t+1}=x_t+dt*f_（θ）（x_t，a_t）
x:[q1、q2、q3、q4、q5、q6、q7、q1d、q2d、q3d、q4d、q5d、q6d、q7d]#q：角位置，qd:ang速度
a:[a1、a2、a3、a4、a5、a6、a7]#控制输入
"""
data=np.load（'state\u actions\u 10k.npy'，allow\u pickle=True）
X=np.hstack（（数据[：，：7]，数据[：，7:14]））
U=数据[：，14:]
dX=np.diff（X，轴=0）#状态残差
dt=1
scalarX=StandardScaler（）#MinMaxScaler（功能范围=（-1,1））#StandardScaler（）#RobustScaler（）
scalarU=MinMaxScaler（特征值范围=（-1,1））
scalardX=MinMaxScaler（特征值范围=（-1,1））
scalarX.fit（X）
scalarU.fit（U）
scalardX.fit（dX）
normX=scalarX.transform（X）
normU=标量变换（U）
normdX=scalardX.transform（dX）
输入=np.hstack（（normX，normU））
输入=输入[：-1]
输出=normdX
n、 测试分数，列分数=len（X），0.2,0.7
val_压裂=1-测试压裂-系列压裂
X_列=输入[：int（n*列分数）]
X_测试=输入[int（n*列压裂）：int（n*（列压裂+测试压裂））]
X_val=输入[int（n*（列压裂+测试压裂））：]
Y列=输出[：int（n*列分数）]
Y_测试=输出[int（n*列压裂）：int（n*（列压裂+测试压裂））]
Y_val=输出[int（n*（列压裂+测试压裂））：]
模型=tf.keras.Sequential([
tf.keras.Input（shape=（21，），
tf.keras.layers.Dense（128，活化='relu'），
tf.keras.layers.Dense（128，活化='relu'），
tf.keras.layers.Dense（128，活化='relu'），
tf.keras.致密层（14），
])
compile（优化器='adam'，loss='mse'，metrics=['accurity']）
火车=真
如果列车：
历史=model.fit(
X_火车，
你的火车，
批次大小=64，
纪元=100，
#我们通过了一些验证
#监控验证损失和度量
#在每个时代末
验证数据=（X值，Y值），
)
模型。保存权重（“保存权重/训练权重”）
其他：
模型。加载权重（“保存权重/训练权重”）
打印（“根据测试数据进行评估”）
结果=模型。评估（X检验、Y检验、批量大小=128）
打印（“测试损失，测试依据：”，结果）
打印（“为3个样本生成预测”）
预测=模型预测（X_检验[：3]）
打印（“预测形状：”，预测.shape）

我看到最后的验证精度是0.9，我认为这是相当低的。

状态_actions.npy

和保存的网络权重可用

---

是否有人可以建议一种提高准确性的方法？

问题与microsoft dynamics无关-请不要发送不相关的标记（已删除）。动力学是连续的，因此这是一个回归问题，而不是分类问题。准确度仅在分类设置中才有意义。

Epoch 100/100
1094/1094 [==============================] - 1s 1ms/step - loss: 9.5670e-05 - accuracy: 0.9777 - val_loss: 0.0014 - val_accuracy: 0.9055
Evaluate on test data
157/157 [==============================] - 0s 759us/step - loss: 2.5453e-04 - accuracy: 0.9586
test loss, test acc: [0.0002545334573369473, 0.9585979580879211]