×
海登·谢弗;Tran，Giang先生;瑞秋·沃德;张丽南

使用稀疏优化和极少样本提取结构化动态系统。 （英语） Zbl 1528.65035号

多尺度模型。模拟。 1435-1461（2020）第4期第18页.
总结：学习控制方程可以更深入地理解数据的结构和动力学。我们提出了一种随机采样方法，用于从欠采样和可能有噪声的状态空间测量中学习结构化动力系统。学习问题的形式是对一组候选函数进行稀疏最小二乘拟合。基于部分相依随机变量的类Bernstein不等式，我们为相应问题的稀疏系数恢复率和候选函数的识别提供了理论保证。在Lorenz 96方程、粘性Burgers方程和两组分反应扩散方程生成的数据集上证明了计算结果。我们的公式包括成功的理论保证，并且证明在环境维度和候选函数数量方面是有效的。

引用于15文件

MSC公司：

65K99美元 数学规划、优化和变分技术的数值方法
65K10码 数值优化和变分技术
37E99型 低维动力系统
94A20型 信息与传播理论中的抽样理论
90 C90 数学规划的应用

关键词：

高维系统;型号选择;稀疏;精确回收率;循环置换;一致性

软件：

SINDy公司;PDE-网络;取消锁定BoX
PDF格式BibTeX公司 XML格式引用
\textit{H.Schaeffer}等人，多尺度模型。模拟。18，第4号，1435-1461（2020；Zbl 1528.65035）
全文： 内政部 arXiv公司

参考文献：

[1] B.Adcock、S.Brugiapaglia和C.G.Webster，《通过压缩传感实现高维函数的多项式逼近》，预印本，arXiv:1703.069872017年。
[2] G.Ariel、B.Engquist和R.Tsai，《共振高振荡常微分方程的多尺度方法》，数学。公司。，78（2009年），第929-956页·Zbl 1198.65110号
[3] J.Bongard和H.Lipson，非线性动力系统的自动逆向工程，Proc。国家。阿卡德。科学。美国，104（2007），第9943-9948页·Zbl 1155.37044号
[4] L.Boninsegna、F.Nu­ske和C.Clementi，随机动力学方程的稀疏学习，J.Chem。物理。，148 (2018), 241723.
[5] S.L.Brunton、J.L.Proctor和J.N.Kutz，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。美国，113（2016），第3932-3937页·Zbl 1355.94013号
[6] S.L.Brunton、J.L.Proctor和J.N.Kutz，带控制的非线性动力学稀疏识别（SINDYc），IFAC-PapersOnLine，49（2016），第710-715页。
[7] R.E.Caflisch、S.J.Osher、H.Schaeffer和G.Tran，压缩溶液PDEs，Commun。数学。科学。，13（2015），第2155-2176页·Zbl 1329.35026号
[8] E.J.Candes和Y.Plan，压缩感知的概率和无RIP理论，IEEE Trans。通知。《理论》，57（2011），第7235-7254页·Zbl 1365.94174号
[9] R.Chartrand，噪声、非光滑数据的数值微分，国际学术研究。应用数学，2011（2011），164564·兹比尔1242.65045
[10] G.Chen、F.Zhu和P.Ann Heng，《图像噪声水平估计的有效统计方法》，载于《IEEE国际计算机视觉会议论文集》，IEEE，皮斯卡塔韦，新泽西州，2015年，第477-485页。
[11] P.L.Combettes和J.-C.Pesquet，《信号处理中的近距离分裂方法》，载于《科学与工程中反问题的定点算法》，施普林格，纽约，2011年，第185-212页·Zbl 1242.90160号
[12] M.Dam、M.Bröns、J.Juul Rasmussen、V.Naulin和J.S.Hesthaven，对流模型模拟数据中捕食者-食饵系统的稀疏识别，Phys。《等离子体》，24（2017），022310。
[13] D.L.Donoho和M.Elad，通过（ell1）最小化在一般（非正交）字典中的最优稀疏表示，Proc。国家。阿卡德。科学。美国，100（2003），第2197-2202页·Zbl 1064.94011号
[14] S.Foucart和H.Rauhut，《压缩传感数学导论》，第1卷（3），Birkha¨用户，巴塞尔，2013年·Zbl 1315.94002号
[15] R.Gribonval和M.Nielsen，基并集中的稀疏表示，IEEE Trans。通知。《理论》，49（2003），第3320-3325页·Zbl 1286.94032号
[16] L.S.T.Ho、H.Schaeffer、G.Tran和R.Ward，《带离群值的弱相关数据多项式系数的恢复保证》，《J近似理论》，259（2020），105472·Zbl 1451.41013号
[17] T.Y.Hou、Q.Li和H.Schaeffer，粘性守恒定律的稀疏低能分解，J.Compute。物理。，288（2015），第150-166页·Zbl 1352.65413号
[18] S.Janson，部分相依随机变量和的大偏差，《随机结构算法》，24（2004），第234-248页·Zbl 1044.60021号
[19] P.-L.Lions和B.Mercier，两个非线性算子之和的分裂算法，SIAM J.Numer。分析。，16（1979年），第964-979页·Zbl 0426.6500号
[20] C.Liu、W.T.Freeman、R.Szeliski和S.B.Kang，《基于单个图像的噪声估计》，2006年IEEE计算机学会计算机视觉和模式识别会议（CVPR'06），第1卷，IEEE计算机协会，加利福尼亚州洛斯阿拉米托斯，2006年，第901-908页。
[21] J.-C.Loiseau和S.L.Brunton，约束稀疏Galerkin回归，流体力学杂志。，838（2018），第42-67页·Zbl 1419.76205号
[22] Z.Long，Y.Lu，X.Ma，B.Dong，《PDE-Net:从数据中学习PDE》，美国计算机学会国际会议，纽约，2018年，第3208-3216页。
[23] E.N.Lorenz，《可预测性：一个部分解决的问题》，载于《关于可预测性的研讨会论文集》，第1卷，欧洲中期天气预报中心，英国雷丁，1996年。
[24] A.Mackey、H.Schaeffer和S.Osher，关于压缩谱方法，多尺度模型。模拟。，12（2014），第1800-1827页·Zbl 1314.65152号
[25] N.M.Mangan、S.L.Brunton、J.L.Proctor和J.N.Kutz，通过非线性动力学的稀疏识别推断生物网络，IEEE Trans。分子生物学。多尺度通信，2（2016），第52-63页。
[26] N.M.Mangan、J.N.Kutz、S.L.Brunton和J.L.Proctor，《通过稀疏回归和信息准则选择动力系统的模型》，Proc。A、 473（2017），20170009·Zbl 1404.65308号
[27] Y.Pantazis和I.Tsamardinos，《从时间测量推断稀疏动力系统的统一方法》，生物信息学，35（2019），第3387-3396页。
[28] J.Peng，J.Hampton和A.Doostan，关于通过梯度增强\（\ell^1\）-最小化的多项式混沌展开，J.Comput。物理。，310（2016），第440-458页·兹比尔1349.65538
[29] M.Quade、M.Abel、J.N.Kutz和S.L.Brunton，用于快速模型恢复的非线性动力学稀疏识别，《混沌》，28（2018），063116。
[30] M.Raissi和G.E.Karniadakis，《隐藏物理模型：非线性偏微分方程的机器学习》，J.Compute。物理。，357（2018），第125-141页·Zbl 1381.68248号
[31] M.Raissi、P.Perdikaris和G.E.Karniadakis，含时和非线性偏微分方程的数值高斯过程，SIAM J.Sci。计算。，40（2017年），第A172-A198页·Zbl 1386.65030号
[32] H.Rauhut和R.Ward，通过（ell1）最小化的稀疏勒让德展开，《近似理论杂志》，164（2012），第517-533页·Zbl 1239.65018号
[33] H.Rauhut和R.Ward，通过加权最小化插值，应用。计算。哈蒙。分析。，40（2016年），第321-351页·Zbl 1333.41003号
[34] S.H.Rudy、S.L.Brunton、J.L.Proctor和J.N.Kutz，偏微分方程的数据驱动发现，科学。高级，3（2017），e1602614。
[35] H.Schaeffer，通过数据发现和稀疏优化学习偏微分方程，Proc。A、 473（2017），20160446·Zbl 1404.35397号
[36] H.Schaeffer、R.Caflisch、C.D.Hauck和S.Osher，偏微分方程的稀疏动力学，Proc。国家。阿卡德。科学。美国，110（2013），第6634-6639页·Zbl 1292.35012号
[37] H.Schaeffer和T.Y.Hou，非线性椭圆偏微分方程的加速方法，J.Sci。计算。，69（2016），第556-580页·Zbl 1368.65004号
[38] H.Schaeffer和S.G.McCalla，通过积分项选择稀疏模型，Phys。版本E（3），96（2017），023302。
[39] H.Schaeffer、G.Tran和R.Ward，《从有限数据中提取稀疏高维动力学》，SIAM J.Appl。数学。，78（2018），第3279-3295页·Zbl 1405.62127号
[40] H.Schaeffer、G.Tran和R.Ward，《通过群体稀疏性学习动态系统和分歧》，预印本，arXiv:1709.015582017年。
[41] M.Schmidt和H.Lipson，《从实验数据中提取自由形式的自然法则》，《科学》，324（2009），第81-85页。
[42] M.Sorokina、S.Sygletos和S.Turitsyn，非线性光通信系统的稀疏识别：Sino方法，Opt。《快报》，24（2016），第30433-30443页。
[43] R.Tibshirani，《通过套索进行回归收缩和选择》，J.R.Stat.Soc.Ser。B.Methodol.、。，58（1996），第267-288页·Zbl 0850.62538号
[44] G.Tran、H.Schaeffer、W.M.Feldman和S.J.Osher，一般障碍问题的惩罚方法，SIAM J.Appl。数学。，75（2015），第1424-1444页·Zbl 1328.35336号
[45] G.Tran和R.Ward，从高度损坏的数据中精确恢复混沌系统，多尺度模型。模拟。，15（2017），第1108-1129页。
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。