动力学系统识别的统计力学

Mar, 2024

Statistical Mechanics of Dynamical System Identification

Andrei A. Klishin, Joseph Bakarji, J. Nathan Kutz, Krithika Manohar

TL;DR从观察到的噪声数据中恢复动力学方程是系统辨识的核心挑战，我们开发了一种统计力学方法来分析稀疏方程发现算法，它通常通过试错选择超参数来平衡数据拟合和简洁性。在这种框架下，统计力学提供了工具来分析复杂性和适应性之间的相互作用，类似于熵和能量之间的分析。通过将优化过程定义为二级贝叶斯推断问题，将变量选择与系数值分离，并能够通过闭合形式计算后验参数分布，从而建立这种类比。运用统计力学的概念，如自由能和配分函数，在低数据限制下尤其能够量化不确定性，这在实际应用中经常遇到。随着数据量的增加，我们的方法类似于热力学极限，导致明确区分正确和错误辨识的不同疏松度和噪声诱导的相变。这种对稀疏方程发现的观点是多功能的，可以适应各种其他方程发现算法。

Abstract

Recovering dynamical equations from observed noisy data is the central challenge of system identification. We develop a statistical mechanical approach to analyze sparse equation discovery algorithms, which typic

system identification sparse equation discovery algorithms statistical mechanics complexity and fitness uncertainty

发现论文，激发创造

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

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

从谱定理到统计独立性及其在系统辨识中的应用

高维随机动力系统中，系统识别的关键是通过观察到的轨迹对系统进行状态转移矩阵估计。由于空间 - 时间相关性，当动力系统具有一个不同的特征值且失配度为 n-1 时，可能导致维度的诅咒问题。通过最小二乘回归处理这些发现来进行误差分析。

Oct, 2023

基于几何约束的稀疏观测随机动态推断优化