×
张志明;徐楠;刘永明

通过使用欧拉特征的有监督和无监督模式识别实现稳健的物理发现。 （英语） Zbl 1507.68288号

计算。方法应用。机械。工程师。 397，文章ID 115110，17 p.（2022）.
摘要：机器学习方法被广泛用于从测量数据中发现动力系统的潜在物理。然而，现有的方法仍然缺乏鲁棒性，尤其是当测量数据包含大量噪声时。健壮性不足的主要原因是所用特征的代表性不足。因此，无法准确识别控制所观察系统的内在机制。在本研究中，我们提出了一种基于模式识别的稳健物理发现方法。在该方法中，欧拉特征（EC）是一种有效的复杂数据拓扑描述符，被用作表征从动力学系统收集的时空数据的特征向量。无监督流形学习和监督分类结果表明，EC可以有效区分具有不同而相似控制模型的系统。我们还证明，使用EC的机器学习方法可以改进物理发现的稀疏回归方法的结果，而无需硬阈值或超参数调整。

引用于1文件

MSC公司：

68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统

关键词：

物理发现;偏微分方程;欧拉特性;模式识别
PDF格式BibTeX公司 XML格式引用
\textit{Z.Zhang}等人，计算。方法应用。机械。工程397，文章ID 115110，17 p.（2022；Zbl 1507.68288）
全文： 内政部 arXiv公司

参考文献：

[1] Rudy，S.H。；Brunton，S.L。；Proctor，J.L。；Kutz，J.N.，偏微分方程的数据驱动发现，科学。高级，3，4，文章e1602614 pp.（2017）
[2] Xu，H。；Chang，H。；Zhang，D.，DLGA-PDE:通过深度学习和遗传算法的结合发现具有不完整候选库的偏微分方程，J.Comput。物理。，418，第109584条pp.（2020）·Zbl 07506161号
[3] 巴森，M。；Lozano Durán，A.，《强化学习的计算模型发现》（2019），arXiv预印本arXiv:2001.0008
[4] 瓦迪雷迪，H。；拉希德，A。；斯台普斯，A.E。；San，O.，《从稀疏传感器观测数据中检测隐藏物理的特征工程和符号回归方法》，Phys。流体，32，1，第015113条pp.（2020）
[5] Reinbold，P.A。；Kageorge，L.M。；Schatz，M.F。；Grigoriev，R.O.，《通过物理约束符号回归从含噪、不完整、高维实验数据中进行稳健学习》，《自然通讯》。，12, 1, 1-8 (2021)
[6] Meidani，K。；Farimani，A.B.，使用提取的物理特征进行2D偏微分方程的数据驱动识别，计算。方法应用。机械。工程，381，第113831条pp.（2021）·Zbl 1506.65145号
[7] 张，Z。；Liu，Y.，从噪声数据中识别偏微分方程的稳健框架，J.Compute。物理。，第110657条pp.（2021）·Zbl 07516467号
[8] 张，S。；Lin，G.，《利用误差棒对支配物理定律进行稳健的数据驱动发现》，Proc。R.Soc.A，474，2217，第20180305条，pp.（2018）·Zbl 1407.62267号
[9] 陈，A。；Lin，G.，具有时间相关系数的偏微分方程的稳健数据驱动发现（2021），arXiv预印本arXiv:210201432
[10] 富恩特斯，R。；Nayek，R。；加德纳，P。；北卡罗来纳州德维利斯。；罗杰斯，T。；Worden，K。；克罗斯，E.，《非线性动力系统的方程发现：贝叶斯观点》，《力学》。系统。信号处理。，154，第107528条pp.（2021）
[11] Jefferys，W.H。；Berger，J.O.，Ockham的剃刀和贝叶斯分析，美国科学。，80, 1, 64-72 (1992)
[12] M.Tipping，稀疏贝叶斯模型的快速边际似然最大化，摘自：Proc。第九届人工智能和统计国际研讨会，2003年，2003年。
[13] 张，Z。；Liu，Y.，Parsimony增强稀疏贝叶斯学习用于稳健发现偏微分方程（2021），arXiv预印本arXiv:2107.07040
[14] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[15] 王建新。；Wu，J.-L。；Xiao，H.，基于DNS数据重建雷诺应力模型差异的基于物理的机器学习方法，Physis。流体版本，第2、3条，第034603页（2017年）
[16] 张，Z。；Sun，C.，通过物理引导的机器学习进行结构损伤识别：一种将模式识别与有限元模型更新相结合的方法，Struct。健康监测。，20, 4, 1675-1688 (2021)
[17] 夸盖贝尔，W。；没有，我。；De Baets，B.，通过机器学习将未建模动力学纳入第一原理模型，IEEE Access，922014-22022（2021）
[18] 雷·R。；Sahu，C.K.，数据驱动还是物理推导？以网络物理系统（cps）为重点的混合物理引导机器学习技术综述，IEEE Access，871050-71073（2020）
[19] A.史密斯。；Zavala，V.M.，《Euler特征：复杂数据的通用拓扑描述符》，计算。化学。工程，154，第107463条，pp.（2021），URLhttps://www.sciencedirect.com/science/article/pii/S0098135421002416
[20] 克莱森，M。；De Moor，B.，机器学习中的超参数搜索（2015），arXiv预印本arXiv:1502.02127
[21] Adler，R.J.，《空间分析的一些新随机场工具》，斯托克出版社。环境。Res.风险评估。，22, 6, 809-822 (2008)
[22] Poincaré，H.，《Analysis Situs》（1895年），《Gauthier-Villars:Gauthier Villars Paris，France》
[23] A.D.史密斯。；Dłotko，P。；Zavala，V.M.，《拓扑数据分析：概念、计算和在化学工程中的应用》，计算。化学。工程，146，第107202条pp.（2021）
[24] 特纳，K。；Mileyko，Y。；穆克吉，S。；Harer，J.，Fréchet表示持久性图的分布，离散计算。地理。，52, 1, 44-70 (2014) ·Zbl 1296.68182号
[25] 霍弗，C.D。；Kwitt，R.等人。；Niethammer，M.，《持久性条形码的学习表示法》，J.Mach。学习。第20、126、1-45号决议（2019年）·Zbl 1446.68138号
[26] 科恩·斯坦纳，D。；Edelsbrunner，H。；Harer，J.，持久性图的稳定性，离散计算。地理。，37, 1, 103-120 (2007) ·Zbl 1117.54027号
[27] Ghrist，R.，《条形码：数据的持久拓扑》，Bull。阿默尔。数学。Soc.，45，1，61-75（2008）·Zbl 1391.55005号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。