×
陈晓丽;王慧;段金桥

通过对平稳分布的观察来检测随机控制律。 （英语） Zbl 1509.60112号

物理D 448，文章ID 133691，11 p.（2023）.
摘要：复杂系统的数学模型往往伴随着不确定性。本文的目的是提取具有平稳概率分布观测的随机微分方程控制模型。我们开发了一种神经网络方法来学习随机微分方程的漂移项和扩散项。我们引入了一个新的损失函数，其中包含观测数据和学习到的平稳概率密度函数之间的Hellinger距离。我们发现，在训练方法中将损失函数最小化后，学习的随机微分方程提供了数据驱动动力系统的公平近似。数值实验证明了该方法的有效性。

引用于2文件

MSC公司：

60 H10型 随机常微分方程（随机分析方面）
37甲10 生成、随机和随机差分及微分方程
68T05年 人工智能中的学习和自适应系统
2005年7月37日 随机和随机动力系统的一般理论

关键词：

随机动力系统;福克-普朗克方程;机器学习;神经网络

软件：

火炬;DiffSharp（差异锐化）
PDF格式BibTeX公司 XML格式引用
\textit{X.Chen}等人，Physica D 448，文章ID 133691，11 p.（2023；Zbl 1509.60112）
全文： DOI程序 arXiv公司

参考文献：

[1] Arnold，L.，《随机动力系统》（2003），Springer:Springer New York，修正第二次印刷
[2] 帕斯克罗，C。；Tziperman，E.，非均匀海洋对流的统计参数化，J.Phys。海洋学家。，37, 214-229 (2007)
[3] C.Penland，P.Sura，海洋模型对随机强迫“细节”的敏感性，in：Proc。2005年6月6日至8日，ECMWF使用随机动力学模型再现亚尺度过程研讨会，英国雷丁。
[4] 高，T。；Duan，J.，用平均退出时间或逃逸概率的观测值量化由非高斯Lévy稳定噪声驱动的动力学系统中的模型不确定性，Commun。非线性科学。数字。同时。，39, 1-6 (2016) ·Zbl 1510.62126号
[5] Wu，D。；Fu，M。；Duan，J.，从随机动力系统数据中发现平均停留时间和逃逸概率，混沌，29，9，第093122页，（2019）·Zbl 1423.37049号
[6] Hung，C.L。；张，X。；Gemelke，N。；Chin，C.，《二维玻色气体中尺度不变性和普适性的观察》，《自然》，4707333236-239（2011）
[7] 海拉普蒂安，G。；Stenzel，R.，等离子体中静止无电流双层的观察，物理学。修订稿。，65, 2, 175 (1990)
[8] Yarmchuk，E.J。；戈登，M.J.V。；Packard，R.E.，旋转超流氦中静止涡流阵列的观测，Phys。修订稿。，43, 3, 214-217 (1979)
[9] 格芬，O。；弗里曼，O。；罗宁，I。；Balaban，N.Q.，对单个固定相细菌的直接观察揭示了令人惊讶的长时间恒定的蛋白质生产活性，Proc。国家。阿卡德。科学。，111, 1, 556-561 (2014)
[10] 阿诺德，L。；Wishtutz，V.，带加性和乘性噪声线性系统的平稳解，随机，7，1-2，133-155（1982）·Zbl 0479.60061号
[11] 利伯松博士。；Brockett，R.W.，《噪声扰动的非线性反馈系统：稳态概率分布和最优控制》，IEEE Trans。自动。控制，45，6，1116-1130（2000）·Zbl 0972.93076号
[12] Gray，A.H.，福克-普朗克方程稳态解的唯一性，J.Math。物理。，6, 4, 644-647 (1965)
[13] Khasminskii，R.，微分方程的随机稳定性（2012），Springer·兹比尔1259.60058
[14] Schmalfuss，B.，Lyapunov函数和随机微分方程的非平凡平稳解，Dyn。系统。国际期刊，16，4，303-317（2001）·Zbl 1038.60050号
[15] Gerber，F。；Nychka，D.W.，使用神经网络的空间高斯过程模型的快速协方差参数估计，Statist。概率。，10, 1 (2021)
[16] 巴茨，P。；Ruttor，A。；Opper，M.，从经验密度对随机微分方程漂移的变分估计，J.Stat.Mech。理论实验，第8章，第083404页（2016年）·Zbl 1456.62049号
[17] 巴茨，P。；Ruttor，A。；Opper，M.，随机微分方程的近似贝叶斯学习，物理。E版，98，2，第022109条pp.（2018）
[18] Opper，M.，随机微分方程路径测度相对熵率的估计，J.Compute。物理。，330, 127-133 (2017) ·Zbl 1378.60087号
[19] Opper，M.，随机微分方程的变分推断，《物理学年鉴》，531，3，第1800233页，（2019）·Zbl 07759716号
[20] T.Ryder，A.Golightly，A.S.McGough，D.Prangle，随机微分方程的Black-box变分推理，收录于：ICML，2018年，第4423-4432页。
[21] 博内塞尼亚，L。；纽斯克，F。；Clementi，C.，随机动力学方程的稀疏学习，化学杂志。物理。，148，24，第241723条pp.（2018）
[22] Tabar，R.，复杂非线性动力系统的分析和基于数据的重建（2019年），施普林格：施普林格柏林/海德堡，德国·兹比尔1422.60005
[23] X.Li，T.K.L.Wong，R.T.Chen，D.Duvenaud，随机微分方程的可缩放梯度，载于：AISTATS，2020年，第3870-3882页。
[24] J.Jia，A.R.Benson，《神经跳跃随机微分方程》，载：NIPS，2019，第32页。
[25] Yang，L。；Daskalakis，C。；Karniadakis，G.E.，《生成系综回归：利用基于物理的深层生成模型从系综观测中学习粒子动力学》，SIAM J.Sci。计算。，44、1、B80-B99（2022年）·Zbl 1491.60117号
[26] 张，H。；Xu，Y。；李毅。；Kurths，J.，通过深度神经网络对具有α稳定Lévy噪声的SDE的统计解，Int.J.Dyn。控制，8，4，1129-1140（2020）
[27] Xu，Y。；张，H。；李毅。；周，K。；刘，Q。；Kurths，J.，《利用深度学习求解福克-普朗克方程》，《混沌》，第30卷，第1期，第013133页（2020年）·Zbl 1431.35210号
[28] 张，H。；Xu，Y。；刘，Q。；王，X。；Li，Y.，使用深度kd-tree和少量数据求解Fokker-Planck方程，非线性动力学。(2022)
[29] 李毅。；Duan，J.，《发现非高斯Lévy噪声随机动力系统的数据驱动方法》，Physica D，417，第132830页，（2021）·Zbl 07493986号
[30] 卢，Y。；李毅。；Duan，J.，《用非局部Kramers-Moyal公式提取随机控制律》，Phil，Trans。R.Soc.A.，380，第20210195条，pp.（2022）
[31] 陈，X。；Yang，L。；Duan，J。；Karniadakis，G.E.，使用福克-普朗克方程和物理信息神经网络从离散粒子观测中求解逆随机问题，SIAM J.Sci。计算。，43、3、B811-30（2021年）·Zbl 1480.35377号
[32] Yang，Y。；Nurbekyan，L。；Negrini，E。；马丁·R。；Pasha，M.，通过不变测度识别混沌动力学参数的最佳传输（2021），arXiv预印本arXiv:2104.15138
[33] Duan，J.，《随机动力学导论》（2015），剑桥大学出版社：剑桥大学出版社，纽约·Zbl 1359.60003号
[34] 迪特里希，F。；马克耶夫，A。；Kevrekidis，G。；Evangelou，N。；Bertalan，T。；Reich，S。；Kevrekidis，I.（2021），arXiv预印本arXiv:2106.09004
[35] 陈，X。；Duan，J。；胡，J。；Li，D.，《学习最可能过渡路径和随机微分方程的数据驱动方法》，Physica D，443，Article 133559 pp.（2023）·Zbl 1504.60107号
[36] Cha，S.，概率密度函数之间距离/相似性度量的综合调查，国际数学杂志。模型方法应用。科学。，1, 4, 300-307 (2007)
[37] Beran，R.，参数模型的最小hellinger距离估计，Ann.Statist。，5, 3, 445-463 (1977) ·Zbl 0381.62028号
[38] Raissi先生。；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。，378686-707（2019）·Zbl 1415.68175号
[39] 陈，X。；Duan，J。；Karniadakis，G.E.，从稀疏测量中学习和元学习随机对流扩散反应系统，欧洲应用杂志。数学。，32，397-420（2020）·Zbl 07441294号
[40] 陈，X。；Wu，F。；Duan，J。；Kurths，J。；Li，X.，稳定Lévy噪声下基因调控网络的最可能动力学，Appl。数学。计算。，348, 425-436 (2019) ·Zbl 1428.92036号
[41] Baydin，A.G。；Pearlmutter，B.A。；Radul，A.A。；Siskind，J.M.，《机器学习中的自动差异化：一项调查》，J.Mach。学习。决议，18，1-43（2018）·Zbl 06982909号
[42] Klebaner，F.C.，《随机微积分及其应用导论》（2005），帝国理工学院出版社：帝国理工大学出版社伦敦·Zbl 1077.60001号
[43] Wang，H。；程，X。；Duan，J。；Kurths，J。；Li，X.，不对称稳定Lévy噪声下基因调控系统转录的可能性，Chaos，28，第013121页，（2018）·Zbl 1390.92053号
[44] 程，X。；Wang，H。；王，X。；Duan，J。；Li，X.，遗传调控系统中最可能的过渡途径和最大可能的轨迹，《物理学a》，531，第121779页，（2019）·Zbl 07569470号
[45] Shukla，K。；Ameya，D。；Karniadakis，G.，通过区域分解的并行物理信息神经网络，J.Compute。物理。，447，第110683条pp.（2021）·Zbl 07516435号
[46] 杨，X。；刘，Y。；米·C。；Wang，X.，主动学习克里金模型与基于核密度估计的重要性抽样方法相结合的低失效概率估计，J.Mech。设计。，140，第051402条pp.（2018）
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。