Predictive Modeling of Flexible EHD Pumps using Kolmogorov-Arnold Networks

我们提出了一种新颖的方法，使用Kolmogorov-Arnold网络来预测柔性电流体泵的压力和流量。受Kolmogorov-Arnold表示定理的启发，KAN用可学习的基于样条的激活函数替换了固定的激活函数，使其比传统模型如多层感知器和随机森林更有效地逼近复杂的非线性函数。我们在柔性EHD泵参数数据集上评估了KAN，并将其性能与RF和MLP模型进行了比较。KAN实现了卓越的预测准确性，压力和流量预测的均方误差分别为12.186和0.001。从KAN中提取的符号公式揭示了输入参数和泵性能之间的非线性关系。这些发现表明，KAN提供了异常的准确性和可解释性，使其成为电流体泵预测建模的有希望的替代方法。

本论文旨在使用Kolmogorov-Arnold网络来预测柔性电流体泵的压力和流量。它是否是一个新问题？

KAN使用可学习的基于样条的激活函数替换了固定激活函数，从而能够更有效地逼近复杂的非线性函数。与传统的模型相比，KAN表现出更好的预测准确性和可解释性。

该论文在柔性电流体泵参数数据集上评估了KAN，并将其性能与RF和MLP模型进行了比较。KAN在压力和流量预测方面实现了更高的预测准确性，并提供了非线性关系的符号公式。这些结果表明，KAN在预测建模方面具有出色的准确性和可解释性。

在该领域最近的相关研究包括使用深度学习模型进行电流体泵建模和预测的研究，如《基于深度学习的电流体泵建模与预测》。