Oct, 2022

基于贝叶斯样条学习的非线性动力学方程发现及不确定性量化

PDF
TL;DR使用贝叶斯样条学习框架可以从稀疏、嘈杂的数据中识别非线性时空动态系统的简约控制方程，并量化系统不确定性。
nonlinear dynamicsbayesian frameworksparse datauncertainty quantificationgoverning equations
发现论文，激发创造
  • 从数据中发现控制方程：稀疏鉴定非线性动力系统

    利用稀疏度技术和机器学习与非线性动力系统相结合，从测量数据中发现控制物理方程，并使用稀疏回归确定动态控制方程中的最少项以准确地表示数据。

    Sep, 2015

  • 基于数据的座标和控制方程式发现

    本文介绍一种基于稀疏回归和自编码器的算法，通过在简化空间中寻找非线性系统的动力学描述，实现了均衡模型复杂性和描述能力，同时提升了解释性和推广能力，同时在多个高维非线性系统中测试了该方法的优势。

    Mar, 2019

  • 从数据自动识别动力系统

    本文提出了一种方法，通过集成去噪技术、稀疏回归和自举置信区间来自动识别动力学定律，从而在物理、生物科学以及工程等各领域中有望影响对复杂系统的理解。

    Apr, 2023

  • 基于数据驱动的偏微分方程发现

    提出了一种基于稀疏回归的方法，能够通过空间域中的时间序列测量发现给定系统的主要偏微分方程，该方法通过稀疏促进技术来选择最准确地表示数据的非线性和偏导数术语，同时考虑模型复杂性和回归精度的平衡，通过帕累托分析选择简洁的模型，并在多种数学物理问题中进行了演示。

    Sep, 2016

  • 基于贝叶斯框架的从数据中学习控制偏微分方程

    通过机器学习中的变分贝叶斯和稀疏线性回归的组合方法，提出了一种新的从数据中发现偏微分方程的方法，可应用于物理、工程和生物学领域等。

    Jun, 2023

  • 贝叶斯 Spike-and-Slab 先验与高效核的方程探索

    基于核学习和贝叶斯尖峰和板条先验的方程发现方法提供了一种有效的算法来解决数据稀疏性、噪声问题以及目前方法中存在的不确定性量化和训练成本高的限制性问题。

    Oct, 2023

  • 从数据中发现可解释性动力系统的贝叶斯框架

    使用稀疏贝叶斯方法从有限数据中学习可解释的物理系统的 Lagrangian 描述，自动进行 Hamiltonian 的蒸馏，提供观测系统的常微分方程 (ODE) 和偏微分方程 (PDE) 的描述。

    Oct, 2023

  • 微分方程贝叶斯解不确定性量化

    本研究提出了通过 Bayesian updating 方法推测已知固定但先验未知的模型轨迹以处理离散化不确定性，并为此目的设计了一个一步采样方案。此方案具有一阶收敛性，计算复杂度与显式一步求解器的计算复杂度成正比，并可用于推断蛋白质动力学中 JAK-STAT 延迟微分方程模型的后验分布。

    Jun, 2013

  • 高斯过程学习非线性动力学

    科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

    Dec, 2023

  • 符号物理学习器：通过蒙特卡罗搜索树发现控制方程

    提出了一种基于符号物理学习器的方法用于发现非线性动力学的数学结构，特点包括搜索灵活性和公式的简约执行，该机器相对于其他最先进的基线有优越性。

    May, 2022