معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Official implementation of CE-EM algorithm

ویژگی	مقدار
سیستم عامل	-
نام فایل	CEEM-0.0.4
نام	CEEM
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Kunal Menda, Jayesh K. Gupta, Jean de Becdelièvre
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/sisl/CEEM
آدرس اینترنتی	https://pypi.org/project/CEEM/
مجوز	MIT

# CE-EM [![](https://img.shields.io/badge/docs-CE--EM-green)](https://sisl.github.io/CEEM/) Official implementation of the the algorithm CE-EM and baseline Particle EM from "[Scalable Identification of Partially Observed Systems with Certainty-Equivalent EM](https://arxiv.org/abs/2006.11615)". [Website](https://sites.google.com/stanford.edu/ceem) ## Usage Ensure you are using at least Python 3.6 ``` pip install CEEM ``` Run `python -m pytest` to ensure everything works. A Jupyter notebook demonstrating usage can be found in the `examples` subfolder. ## Code overview - `ceem/dynamics.py` defines the system API used by the CEEM algorithm. - `ceem/systems/*.py` define various systems used in the experiments - `ceem/ceem.py` contains the CEEM algorithm. - `ceem/smoother.py` defines different smoothing routines used by the CEEM algorithm in the smoothing step. - `ceem/learner.py` defines different learning routines used by the CEEM algorithm in the learning step. - `ceem/opt_criteria.py` defines different optimization criteria used by the CEEM algorithm. - `ceem/particleem.py` implements Particle EM # Experiments ## Lorenz ## Unbiased Estimation in Deterministic Settings To regenerate the data in `data/lorenz/bias_experiment` run: ``` python experiments/lorenz/bias_experiment.py ``` To generate Table 1 run: ``` python experiments/lorenz/plotting/process_bias.py ``` ## Comparison to Particle Based Methods To regenerate the data in `data/lorenz/comp` run: ``` python experiments/lorenz/comp_pem.py python experiments/lorenz/comp_ceem.py ``` To generate Figure 2 run: ``` python experiments/lorenz/plotting/process_comp.py ``` ## Convergence of CE-EM on High Dimensional Problems To regenerate data in `data/lorenz/convergence_experiment` run: ``` python experiments/lorenz/convergence_experiment_pem.py python experiments/lorenz/convergence_experiment_ceem.py ``` To generate Figure 3 run: ``` python experiments/lorenz/plotting/process_convergence.py ``` ## Helicopter The following are scripts for training models in Section 4.2. Pretrained models are provided in the `pretrained_models` folder. ### Data download The dataset used in our experiments can be downloaded by running: ``` wget 'https://zenodo.org/record/3662987/files/datasets.zip?download=1' -O datasets.zip unzip datasets.zip ``` ### Baselines #### Naive Run the experiment with default parameters: ``` python experiments/heli/baselines.py --model naive ``` #### H25 Run the experiment with default parameters: ``` python experiments/heli/baselines.py --model H25 cp data/h25/best_net.th trained_models/h25.th ``` #### SID Prepare the data first for residual training: ``` cp data/naive/best_net.th trained_models/naive_baseline.th python experiments/heli/prepare_residual_dataset.py ``` Ensure you have MATLAB with the System Identification Toolbox installed then run from within MATLAB: ``` run_n4sid.m ``` #### LSTM ``` python experiments/heli/train_lstm.py cp data/heli_lstm/ckpts/best_model.th trained_models/lstm.th ``` ### NL (Ours) Prepare the data first for residual training: ``` cp data/naive/best_net.th trained_models/naive_baseline.th python experiments/heli/prepare_residual_dataset.py ``` Run the experiment with default parameters: ``` python experiments/heli/ceemnl.py ``` Move the best model to trained_models ``` cp data/NLobsLdyn/ckpts/best_model.th trained_models/NL_model.th ``` ### Evaluating and plotting test trajectories First evaluate the models (uses pretrained by default) by running: ``` python experiments/heli/evaluate_models.py ``` ``` python experiments/heli/plotting/plotbar.py ``` Then plot the n th trajectory in the test set by running: ``` python experiments/heli/plotting/plot_trajectories.py --trajectory 9 ``` To plot the circular acceleration prediction (instead of horizontal) on the n th trajectory in the test set: ``` python experiments/heli/plotting/plot_trajectories.py --trajectory 9 --moments ```

نیازمندی

مقدار	نام
-	click
-	joblib
-	pandas
-	matplotlib
-	numpy
-	scipy
-	torch
-	termcolor
-	python-dateutil
-	tensorboard
-	future
-	tqdm
-	pytest

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl CEEM-0.0.4:

pip install CEEM-0.0.4.whl

نصب پکیج tar.gz CEEM-0.0.4:

pip install CEEM-0.0.4.tar.gz