布米迪内·哈姆齐;霍曼·奥瓦迪;亚尼斯·凯夫雷基迪斯 从数据中学习动力系统:一个简单的交叉验证视角。IV: 部分观察到的病例。 (英语) Zbl 07736383号 物理D 454,文章ID 133853,13 p.(2023). 小结:从数据中学习动力系统的一种简单易懂的方法是用核插值其控制方程。特别是,当使用内核流(KF)对内核进行数据自适应时,此策略非常高效(在准确性和复杂性方面)[H.Owhadi(奥瓦迪)和G.R.Yoo先生,J.计算。物理学。389, 22–47 (2019;Zbl 1452.65028号)],(它使用基于梯度的优化来学习一个核,前提是如果一半的数据用于插值,那么如果精度没有显著损失,那么一个核是好的)。在这项工作中,我们扩展了以前使用内核流学习动态系统的工作[B.哈姆齐和H.Owhadi(奥瓦迪)《物理学D 421》,文章ID 132817,10 p.(2021;Zbl 1509.68217号);M.达西等,《物理学D 444》,文章ID 133583,18页(2023;Zbl 07642851号);J.李等,《物理学D 443》,文章ID 133546,12 p.(2023;Zbl 1510.37122号);B.哈姆齐和H.Owhadi(奥瓦迪)《物理学D 421》,文章ID 132817,10 p.(2021;Zbl 1509.68217号)]对于从状态空间中部分/不完全的时间序列观测值学习向量值动力系统的情况。该方法将核流与计算图完成相结合。第三部分见[J.李等,《物理学D 443》,文章ID 133546,12 p.(2023;Zbl 1510.37122号)]. 引用于1审查引用于5文件 MSC公司: 37M10个 动力系统的时间序列分析 62M10个 统计学中的时间序列、自相关、回归等(GARCH) 68T05型 人工智能中的学习和自适应系统 68T20型 人工智能背景下的问题解决(启发式、搜索策略等) 关键词:学习动力系统;内核流;部分观测;计算图形完成 引文:Zbl 1510.37122号;Zbl 1452.65028号;Zbl 1509.68217号;兹伯利07642851 PDF格式BibTeX公司 XML格式引用 \textit{B.Hamzi}等人,Physica D 454,文章ID 133853,13 p.(2023;Zbl 07736383) 全文: 内政部 OA许可证 参考文献: [1] 霍尔格·康茨;Thomas Schreiber,《非线性时间序列分析》(1997),剑桥大学出版社:美国剑桥大学出版社·Zbl 0873.62085号 [2] Casdagli,Martin,混沌时间序列的非线性预测,Physica D,35,3,335-356(1989)·Zbl 0671.62099号 [3] 哈德森,J.L。;Kube,M。;阿道迈提斯,R.A。;Kevrekidis,I.G。;Lapedes,A.S。;Farber,R.M.,《非线性信号处理和系统识别:电化学反应时间序列的应用》,《化学》。工程科学。,45, 8, 2075-2081 (1990) [4] 里科·马丁内斯,拉米罗;Krischer,K。;Kevrekidis,IG;MC库贝;Hudson,JL,铜电解溶解数据的离散与连续非线性信号处理,化学。工程通信。,118, 1, 25-48 (1992) [5] Grandstrand,Ove,使用神经网络进行非线性系统识别:动力学和不稳定性 [6] Gonzalez-Garcia,R。;Rico-Martinez,R。;Kevrekidis,I.G.,分布参数系统的识别:一种基于神经网络的方法,计算机。化学。工程师,22,S965-S968(1998),欧洲计算机辅助工艺工程研讨会-8 [7] 阿什什·查托帕迪亚伊(Ashesh Chattopadhyay);哈桑扎德,佩德拉姆;克利须那五世(Krishna V.Palm)。;Subramanian,Devika,使用深度学习方法层次结构的多尺度洛伦兹96混沌系统的数据驱动预测:油藏计算,ANN和RNN-LSTM(2019),CoRR,abs/1906.08829http://arxiv.org/abs/1906.08829 [8] Steven L.Brunton。;约书亚·L·普罗克托。;Kutz,J.Nathan,通过非线性动力系统的稀疏识别从数据中发现控制方程,Proc。国家。阿卡德。科学。,113, 15, 3932-3937 (2016) ·Zbl 1355.94013号 [9] 帕塔克,贾迪普;卢志新;布赖恩·亨特(Brian R.Hunt)。;Michelle Girvan;Ott,Edward,使用机器学习复制混沌吸引子并从数据中计算Lyapunov指数,Chaos,27,12,Article 121102 pp.(2017)·Zbl 1390.37138号 [10] Nielsen,A.,《实用时间序列分析:统计和机器学习预测》(2019),O'Reilly Media [11] Abarbanel,H.(《观测混沌数据分析》,非线性科学研究所(2012),纽约斯普林格出版社) [12] 陈一凡;巴马达·侯赛尼;霍曼·奥瓦迪;Stuart,Andrew M.,用高斯过程求解和学习非线性偏微分方程(2021),arXiv预印本arXiv:2103.12959·Zbl 07516428号 [13] Owhadi,Houman,计算图完成(2021),https://arxiv.org/abs/2110.10323 ·Zbl 1497.68464号 [14] B.Haasdonk,B.Hamzi,G.Santin,D.Wittwar,中心流形逼近的贪婪核方法,in:Proc。2018年ICOSAHOM国际光谱和高阶方法会议,2018年1月,。 [15] Haasdonk,B。;哈姆齐,B。;Santin,G。;Wittwar,D.,中心流形近似的核方法和中心流形定理的弱数据版本,物理D(2021)·Zbl 1523.34046号 [16] 吉斯尔,P。;哈姆齐,B。;拉斯穆森,M。;韦伯斯特,K.,《从噪声数据中近似Lyapunov函数》,J.Compute。动态。(2019), https://arxiv.org/abs/1601.01568 [17] 安德烈亚斯·比特拉彻;克鲁斯、斯特凡;Hamzi,Boumediene;Schütte,Christof,通过转移流形的核嵌入降低复杂亚稳态系统的维数,非线性科学杂志,31(2021)·Zbl 1466.37068号 [18] Hamzi,Boumediene;Colonius,Fritz,离散时间线性自治和控制系统近似的核方法,SN Appl。科学。,1, 7, 1-12 (2019) [19] 克鲁斯、斯特凡;努斯克,费利克斯;Hamzi,Boumediene,库普曼生成算子和薛定谔算子的基于核的近似,熵,22(2020),https://www.mdpi.com/1099-4300/22/7/722 [20] 克鲁斯、斯特凡;纽斯克,费利克斯;塞巴斯蒂安·佩茨;Jan-Hendrik Niemann;克莱门蒂、塞西莉亚;Schütte,Christof,《koopman生成器的数据驱动近似:模型简化、系统识别和控制》,Physica D,406,第132416条,pp.(2020)·Zbl 1485.93097号 [21] 罗密欧·亚历山大;Giannakis,Dimitrios,Operator-用核模拟技术预测非线性时间序列的理论框架,Physica D,409,Article 132520 pp.(2020)·Zbl 1496.37085号 [22] 安德烈亚斯·比特拉彻;克鲁斯、斯特凡;Hamzi,Boumediene;彼得·科尔泰(Peter Koltai);Schutte,Christof,通过转移流形的核嵌入降低复杂亚稳态系统的维数(2019),https://arxiv.org/abs/1904.08622 ·Zbl 1466.37068号 [23] Jake Bouvrie,Boumidene Hamzi,随机强迫非线性系统的经验估计:可观测性、可控性和不变测度,收录于:Proc。2012年美国控制会议,第294-301页·Zbl 1368.93248号 [24] Jake Bouvrie;Hamzi,Boumedine,非线性系统近似的核方法,SIAM J.控制优化。(2017), https://arxiv.org/abs/108.2903 ·兹比尔1368.93248 [25] Jake Bouvrie;Hamzi,Boumedine,非线性系统某些关键量近似的核方法,J.Compute。动态。,1 (2017), http://arxiv.org/abs/1204.0563 ·Zbl 1394.37115号 [26] Hamzi,Boumediene;奎恩,克里斯蒂安;Mohamed,Sameh,关于具有临界跃迁的多尺度系统的内核方法的注释,数学。方法应用。科学。,42, 3, 907-917 (2019) ·Zbl 1410.34170号 [27] Akian,J.-L。;博内特,吕克;霍曼·奥瓦迪;Savin,Eric,从高斯过程回归中的数据学习“最佳”核。应用于空气动力学,J.Compute。物理。,470,第111595条pp.(2022)·Zbl 07599627号 [28] Hamzi,Boumediene;霍曼·奥瓦迪;Paillet,Léo,关于具有临界跃迁的慢速随机微分方程的微局部核设计及其在脑电信号中的应用的注记,《物理学A》,616,第128583页,(2023)·Zbl 07679922号 [29] Jake Bouvrie,Boumedine Hamzi,再生核Hilbert空间中非线性控制系统的平衡约简,收录于:2010年第48届Allerton通信、控制和计算年会(Allerton),2010年,第294-301页·Zbl 1368.93248号 [30] 卢,杨;Hamzi,Boumediene;霍曼·奥瓦迪;孙秀文;谢乃明,《从数据中学习动力系统:一个简单的交叉验证视角》,第五部分:132个混沌动力系统的稀疏核流(2023) [31] Hamzi,Boumediene;Owhadi,Houman,《从数据学习动力系统:一个简单的交叉验证视角》,第一部分:参数化内核流,Physica D,421,第132817页,(2021)·Zbl 1509.68217号 [32] 加布里埃尔·桑廷;Haasdonk,Bernard,代理建模的内核方法(2019),https://arxiv.org/abs/1907.105566 ·Zbl 07445319号 [33] Owhadi,Houman,想法有形状吗?柏拉图的形式理论作为人工神经网络的连续极限(2020),arXiv:2008.03920·兹比尔07642857 [34] 亚历山大·斯米尔诺夫;Hamzi,Boumediene;Owhadi,Houman,Mean-深度学习中训练权重的场极限:动力学系统视角,《白云石研究笔记近似》,第15,3期(2022年) [35] 奥瓦迪,H。;Yoo,G.R.,《内核流:从数据中学习内核到深渊》,J.Compute。物理。,389, 22-47 (2019) ·Zbl 1452.65028号 [36] Lee,Jonghyeon;Edward De Brouwer;Hamzi,Boumediene;Owhadi,Houman,从数据中学习动力系统:一个简单的交叉验证视角,第三部分:不规则采样时间序列,Physica D,443,文章133546 pp.(2023)·兹比尔1510.37122 [37] Hamzi,Boumediene;Romit Maulik;Owhadi,Houman,《简单、低成本和准确的数据驱动地球物理预测与学习内核》,Proc。R.Soc.A,4772252(2021)·Zbl 1509.68217号 [38] 杨璐;Hamzi,Boumediene;凯夫雷基德斯(Kevrekides)、亚尼斯(Yannis);霍曼·奥瓦迪;孙秀文;谢乃明,《从数据中学习动力系统:一个简单的交叉验证视角》,第六部分:基于Hausdorff度量的内核流,用于学习吸引子和不变量集(2023) [39] 达西,马蒂厄;Hamzi,Boumediene;朱利亚·利维埃里;霍曼·奥瓦迪;Tavallali,Peyman,带数据调整核的随机微分方程的单点学习,Physica D,444,Article 133583 pp.(2023)·Zbl 07642851号 [40] Sai Prasanth;Ziad S.哈达德。;朱尼·苏西洛托;Amy J.Braverman。;Hamzi、Houman Owhadiand Boumedine;赫里斯托瓦·韦列娃(Hristova-Veleva),Svetla M。;Turk、Joseph和Kernel通过卫星被动微波观测推断对流风暴的结构(预印本(2021)) [41] 达西,M。;哈姆齐,B。;苏西洛托,J。;Braverman,A。;Owhadi,H.,《从数据学习动力系统:一个简单的交叉验证视角》,第二部分:非参数核流(2021),https://www.researchgate.net/publication/356818178_Learning_dynamical_systems_from_data_a_simple_cross-validation_perspective_part_II_nonparametric_kernel_flows [42] Hamzi,Boumediene;马库斯·赫特;Owhadi,Houman,关于从算法信息理论角度从数据中学习内核的说明(2023年) [43] 约瑟夫·巴卡吉(Joseph Bakarji);冠军凯萨琳·P。;库茨(J.Nathan Kutz);Brunton,Steven L.,从深度延迟自动编码器的部分测量中发现控制方程(2022),CoRR,abs/22010.5136https://arxiv.org/abs/201.05136 [44] 布森-芬内,莫纳;瓦莱里·莫根塔勒(Valery Morgenthaler);塞巴斯蒂安·特里姆佩;Di Meglio,Florent,从结构化神经ODE的部分观察中学习动力学(2022),版本:2022 [45] 穆罕默德·阿齐兹·博里;Perdikaris,Paris,Gaussian过程与neuralODEs:Bayesian框架,用于从稀缺和噪声数据中学习部分观测系统的动力学(2021年),https://arxiv.org/abs/2103.03385 [46] 约翰·哈林;蒋世晓。;梁森伟;杨海钊,缺失动力学预测的机器学习,J.Compute。物理。,428,第109922条pp.(2021)·Zbl 07511409号 [47] Saurabh Malani、Tom Bertalan、Tianqi Cui、Michael Betenbaugh、Jose L.Avalos、Ioannis G.Kevrekidis,一些变量,一些时间,一些已知的东西:部分信息的识别。 [48] 霍曼·奥瓦迪;Sovel,Clint,《算子自适应小波、快速求解器和数值均匀化:从博弈论方法到数值逼近和算法设计》(2019年),剑桥应用和计算数学专著。剑桥大学出版社·Zbl 1477.65004号 [49] Sauer,T.D.,《吸引子重建》,《学术传媒》,第1期,第10期,第1727页(2006年),修订号91017 [50] Felipe Cucker;Steve Smale,《关于学习的数学基础》,布尔。阿默尔。数学。Soc.,39,1-49(2002)·Zbl 0983.68162号 [51] Aronszajn,N.,《再生核理论》,译。美国数学。Soc.,68,3,337-404(1950)·Zbl 0037.20701号 [52] 吴敏,宗;Schaback,Robert,分散数据径向基函数插值的局部误差估计,IMA J.Numer。分析。,13, 13-27 (1992) ·Zbl 0762.41006号 [53] Owhadi,Houman,贝叶斯数值均匀化,多尺度模型。模拟。,13, 3, 812-828 (2015) ·Zbl 1322.35002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。