×

基于稀疏回归和信息准则的动态系统模型选择。 (英语) Zbl 1404.65308号

摘要:我们开发了一种模型选择算法,该算法允许考虑控制动态系统的大量候选模型的组合。该创新避免了标准模型选择的缺点,标准模型选择通常会限制考虑的候选模型的数量,因为计算信息标准很难处理。使用最近开发的非线性动力学稀疏识别算法,帕累托边界附近候选模型的子选择允许对剩余候选模型的Akaike信息标准(AIC)或Bayes信息标准分数进行可行的计算。信息标准按层次对信息量最大的模型进行排序,从而能够自动原则性地选择与时间序列数据相关的支持最强的模型。具体来说,我们表明AIC分数将每个候选模型置于强有力的支持,软弱支撑无支持类别。该方法正确地恢复了几个典型动力学系统,包括一个易感暴露传染病模型、Burgers方程和Lorenz方程,确定了正确的动力学系统是唯一具有强大支持的候选模型。

MSC公司:

第65页 动力系统中的数值问题
37M10个 动力系统的时间序列分析
62B10型 信息理论主题的统计方面
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Brunton SL、Proctor JL、Kutz JN。(2016)从数据中发现控制方程:非线性动力系统的稀疏识别。程序。美国国家科学院。科学。美国113,3932-3937。(doi:10.1073/pnas.1517384113)·Zbl 1355.94013号 ·doi:10.1073/pnas.1517384113
[2] Rudy SH、Brunton SL、Proctor JL、Kutz JN。(2016)偏微分方程的数据驱动发现。科学。高级3,e1602614。(doi:10.1126/sciadv.1602614)·doi:10.1126/sciadv.1602614
[3] Schaeffer H.(2017)通过数据发现和稀疏优化学习PDE。程序。R.Soc.A 47320160446。(doi:10.1098/rspa.2016.0446)·Zbl 1404.35397号 ·doi:10.1098/rspa.2016.0446
[4] Mangan NM、Brunton SL、Proctor JL、Kutz JN。(2016)通过非线性动力学的稀疏识别推断生物网络。IEEE传输。分子生物学。多尺度通用。2, 52-63. (doi:10.1109/TMBMC.2016.2633265)·doi:10.1109/TMBMC.2016.2633265
[5] Wang W-X,Lai Y-C,Grebogi C.(2016)基于数据的非线性复杂动力系统识别与预测。物理学。代表644,1-76。(doi:10.1016/j.physrep.2016.06.004)·Zbl 1359.70089号 ·doi:10.1016/j.physrep.2016.06.004
[6] Schmidt M,Lipson H.(2009)从实验数据中提取自由形式的自然法则。《科学》32481-85。(doi:10.1126/science.1165893)·doi:10.1126/科学.1165893
[7] 库尔巴克S,莱布勒RA。(1951)关于信息和充分性。安。数学。《美国联邦法律大全》第22卷第79-86页。(doi:10.1214/aoms/1177729694)·Zbl 0042.38403号 ·doi:10.1214/aoms/1177729694
[8] Kullback S.(1959)信息理论与统计。纽约州纽约市:Wiley·Zbl 0149.37901号
[9] Akaike H.(1973)信息理论和最大似然原理的扩展。第二国际交响曲。信息理论(BN Petrov,F Cáki)。1971年9月2日至8日,前苏联,亚美尼亚,察科吸附,第267-281页。匈牙利布达佩斯:Akadémiai Kiadó。
[10] Akaike H.(1974)统计模型识别的新视角。IEEE标准。事务处理。自动化。控制19,716-723。(doi:10.1109/TAC.1974.1100705)·兹伯利0314.62039 ·doi:10.1109/TAC.1974.1100705
[11] Schwarz G.(1978)估算模型的维数。Ann.Stat.第6卷,第461-464页。(doi:10.1214/aos/1176344136)·Zbl 0379.62005年 ·doi:10.1214/aos/1176344136
[12] Burnham K,Anderson D.(2002)模型选择和多模型推理。第二版,德国柏林:施普林格。
[13] Kuepfer L,Peter M,Sauer U,Stelling J.(2007)细胞信号动力学分析的集成建模。自然生物技术。25, 1001-1006. (doi:10.1038/nbt1330)·doi:10.1038/nbt1330
[14] Claeskens G,Hjorth NL.(2008)模型选择和模型平均。英国剑桥:剑桥大学出版社。
[15] Schaber J,Flöttmann M,Li J,Tiger CF,Hohmann S,Klipp E.(2011)使用模型MaGe进行自动化集成建模:分析HOG途径Sho1分支中的反馈机制。公共科学图书馆ONE 6,1-7。(doi:10.1371/journal.pone.0014791)·doi:10.1371/journal.pone.0014791
[16] Woodward,M(2004)《流行病学:研究设计和数据分析》。第二版,英国伦敦:查普曼和霍尔/CRC统计科学文本泰勒和弗朗西斯。
[17] Blake IM、Martin R、Goel A、Khetsuriani N、Everts J、Wolff C、Wassilak S、Aylward RB、Grassly NC(2014)《较大儿童和成年人在野生脊髓灰质炎病毒传播中的作用》。程序。美国国家科学院。科学。美国111、10604-10609.(doi:10.1073/pnas.1323688111)·doi:10.1073/pnas.1323688111
[18] Tibshirani R.(1996)通过LASSO回归收缩和选择。J.R.Stat.Soc.58,267-288。(doi:10.1111/j.1467-9868.2011.00771.x)·Zbl 0850.62538号 ·doi:10.1111/j.1467-9868.2011.00771.x
[19] Büchel Fet al.(2013)Path2Models:从生化途径图大规模生成计算模型。BMC系统。生物学7,116。(doi:10.1186/1752-0509-7-116)·doi:10.1186/1752-0509-7-116
[20] Cohen PR.(2015)DARPA的大机制计划。物理学。生物学12,45008。(doi:10.1088/1478-3975/12/4/045008)·doi:10.1088/1478-3975/12/4/045008
[21] 主教CM和其他人。(2006)模式识别和机器学习,第1卷。德国柏林:施普林格。
[22] Linde A.(2005)DIC变量选择。内尔统计局。59, 45-56. (doi:10.1111/j.1467-9574.2005.00278.x)·兹比尔1069.62005 ·doi:10.1111/j.1467-9574.2005.00278.x
[23] Rissanen J.(1978)通过最短数据描述建模。Automatica自动化14,465-471。(doi:10.1016/0005-1098(78)90005-5)·Zbl 0418.93079号 ·doi:10.1016/0005-1098(78)90005-5
[24] Bongard J,Lipson H.(2007)非线性动力系统的自动逆向工程。程序。美国国家科学院。科学。美国104,9943-9948。(doi:10.1073/pnas.0609476104)·Zbl 1155.37044号 ·doi:10.1073/pnas.0609476104
[25] Quade M,Abel M,Shafi K,Niven RK,Noack BR。(2016)通过符号回归预测动力系统。物理学。E 94版。(doi:10.1103/PhysRevE.94.012214)·doi:10.1103/PhysRevE.94.012214
[26] Duriez T、Brunton SL、Noack BR(2016)机器学习控制:驯服非线性动力学和湍流。德国柏林:施普林格。
[27] Paduard J、Lauwers L、Swevers J、Smolders K、Schoukens J、Pintelon R.(2010)使用多项式非线性状态空间模型识别非线性系统。Automatica自动化46,647-656。(doi:10.1016/j.automatia.2010.01.01)·Zbl 1193.93089号 ·doi:10.1016/j.automatica.2010.01.001
[28] Pillonetto G、Dinuzzo F、Chen T、DeNicolao G、Ljung L、Nicoloa GD和Ljung L.(2014)系统识别、机器学习和功能估计中的核心方法:一项调查。Automatica自动化50,657-682。(doi:10.1016/j.autotica.2014.01.001)·Zbl 1298.93342号 ·doi:10.1016/j.automatica.2014.01.001
[29] Chen T,Andersen MS,Ljung L,Chiuso A,Pillonetto G.(2014)使用序列凸优化技术通过基于稀疏多核的正则化进行系统识别。IEEE传输。自动化。控制59,2933-2945。(doi:10.1109/TAC.2014.2351851)·Zbl 1360.93720号 ·doi:10.1109/TAC.2014.2351851
[30] Billings SA。(2013)非线性系统识别:时间、频率和时空域中的NARMAX方法。纽约州纽约市:John Wiley&Sons·Zbl 1287.93101号
[31] Deng L,Yang P,Xue Y,Lv X.(2014)基于NARMAX模型的速率依赖迟滞伪哈默斯坦识别。2014年第五届智能控制和信息处理国际会议(ICICIP),第155-162页。纽约州纽约市:IEEE。
[32] Wang WX,Yang R,Lai YC,Kovanis V,Grebogi C.(2011)通过压缩感知预测非线性动力系统中的灾难。物理学。修订稿。106, 1-4. (doi:10.10103/PhysRevLett.106.154101)·doi:10.1103/PhysRevLett.106.154101
[33] Tran G,Ward R.(2016)从高度损坏的数据中精确恢复混沌系统。(http://arxiv.org/abs/1607.01067)
[34] Loiseau J-C,Brunton SL.(2016)约束稀疏Galerkin回归。(http://arxiv.org/abs/1611.03271)
[35] Kutz JN、Brunton SL、Brunto BW、Proctor JL。(2016)动态模式分解:复杂系统的数据驱动建模。宾夕法尼亚州费城:SIAM。
[36] Burnham KP,Anderson RP。(2004)多模型推理:在模型选择中理解AIC和BIC。社会学。方法研究33,261-304。(doi:10.1177/0049124104268644)·doi:10.1177/0049124104268644
[37] Lorenz EN公司。(1963)确定性非周期流量。J.大气。科学。20, 130-141. (doi:10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2) ·Zbl 1417.37129号 ·doi:10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2
[38] Arnaldo I,O'Reilly U-M,Veeramachaneni K.(2015)通过特征合成构建预测模型。程序中。2015年7月11日至15日在西班牙马德里举行的2015年遗传和进化计算年度大会GECCO’15,第983-990页。(doi:10.1145/2739480.2754693)·doi:10.1145/2739480.2754693
[39] 取F.(1981)在湍流中检测奇怪吸引子。《动力系统与湍流》,沃里克1980年,第366-381页。德国柏林:施普林格·Zbl 0513.58032号
[40] Brunton SL、Brunton BW、Proctor JL、Kaiser E、Kutz JN。(2016)混沌作为一个间歇性强制线性系统。国家通讯社。8, 19. (doi:10.1038/s41467-017-00030-8)·doi:10.1038/s41467-017-00030-8
[41] Hey T,Tansley S,Tolle KM.其他(2009)
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。