Aug, 2023

科学数据的流式压缩通过弱相关稀疏识别

PDF
TL;DR该研究发展了一种针对流动科学数据压缩的流式弱 SINDy 算法，通过在线流程中对底层数据特征进行压缩，并利用流动适应性的 POD 降维技术进行高维流式数据压缩，可在低内存成本下准确重构完整数据流。
streaming weak-sindy algorithmscientific data compressionstreaming compression algorithmsstreaming proper orthogonal decomposition (pod)memory efficient
发现论文，激发创造
  • 随机动态方程的稀疏学习

    本文介绍了将稀疏识别非线性动力学 (SINDy) 框架扩展到随机动力学系统的方法，并证明了在无限数据限制下该方法的渐近正确性，在两个测试系统中展示了该方法的实现，并强调了交叉验证对确定正确的稀疏性水平是一个必不可少的工具。

    Dec, 2017

  • SINDy 算法的收敛性

    通过选择最适合动态的模型和一组参数来识别生成时间序列数据的基础动态系统，本文介绍了一种稀疏非线性动态框架的方法，提供了有关算法行为和收敛的一些理论结果。

    May, 2018

  • GPSINDy: 数据驱动的运动方程发现

    从噪声数据中发现非线性动力系统模型是一个重要问题，本研究结合了高斯过程回归和 SINDy 方法，提出了一种简单且具有噪声数据下显示改进鲁棒性的方法，通过仿真和硬件数据验证，表明该方法在发现系统动态和预测未来轨迹方面性能优于 SINDy。

    Sep, 2023

  • 结合神经网络和积分形式的鲁棒 SINDy 方法

    通过利用神经网络的隐式表示方法，本研究提出了一种从嘈杂且有限的数据中发现非线性控制方程的鲁棒方法，并利用自动微分工具获得 SINDy 所需的导数信息，同时引入多个初始条件的数据处理方法。通过多个实例的对比实验，证明了该方法在嘈杂且有限的数据情况下发现控制方程的有效性。

    Sep, 2023

  • GN-SINDy: 稀疏非线性偏微分方程的贪婪采样神经网络

    在此论文中，我们介绍了一种称为 GN-SINDy 的方法，该方法通过融合贪婪采样方法、深度神经网络和 SINDy 算法，扩展了称为 DeePyMoD 的基于 SINDy 的深度学习模型发现方法。我们通过使用一个专门准备的 Python 软件包，在众多偏微分方程发现问题上，将 GN-SINDy 的结果与 DeePyMoD 进行对比，以展示其有效性。

    May, 2024

  • SINDy 与硬非线性和隐藏动力学之间的基准研究

    我们分析了 Sparse Identification of Nonlinear Dynamics (SINDy) 技术在三个非线性识别基准数据集上的有效性，以更好地了解其适用性，当解决真实动力系统时。虽然 SINDy 是一种追求基于物理的学习的吸引人策略，但我们的分析强调了处理未观测状态和非光滑动力学的困难。由于这些特征在一般的真实系统以及控制应用中无处不在，我们通过实践方法来解决这些问题，以便在这些具有挑战性的环境中利用 SINDy。

    Mar, 2024

  • 稀疏非线性动力学在图书馆和系统不确定性存在的情况下的识别

    通过实际数据展示了增强 SINDy 算法在系统变量不确定性存在的情况下优于普通 SINDy 算法，并进一步展示了当两种不确定性同时存在时，SINDy 可以进行增强以保持鲁棒性。

    Jan, 2024

  • SINDYc 的稀疏非线性动力学识别

    使用回归方法推断非线性动力系统，能够包括外部输入和反馈控制。

    May, 2016

  • S+t-SNE - 将降维应用于数据流

    我们介绍了一种名为 S+t-SNE 的 t-SNE 算法的改进版本，它专门用于处理无限数据流，通过在新数据到达时增量更新 t-SNE 嵌入，保证了可扩展性和适应流式场景的能力，使用盲目方法进行漂移管理，调整嵌入空间，实现对不断演变的数据动态的持续可视化，实验评估结果表明 S+t-SNE 的效果和效率，突出其在流式场景中捕捉模式的能力，我们希望该方法能为研究人员和实践者提供一种实时理解和解释高维数据的工具。

    Mar, 2024

  • 从数据中寻找现实世界的轨道运动定律

    通过基于 SINDy 的方法，该研究发现了描述卫星运动的偏微分方程，对包括轨道倾角、偏心率和高度在内的多个代表性轨道模式进行训练与测试，取得了很高的准确性，为描述卫星在轨运动提供了具有物理解释性、准确性和复杂性的模型。

    Nov, 2023