論文の概要: Probabilistic solution of chaotic dynamical system inverse problems
using Bayesian Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2005.13028v1
- Date: Tue, 26 May 2020 20:35:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 23:38:44.506399
- Title: Probabilistic solution of chaotic dynamical system inverse problems
using Bayesian Artificial Neural Networks
- Title(参考訳): ベイズニューラルネットワークを用いたカオス力学系逆問題の確率論的解法
- Authors: David K. E. Green and Filip Rindler
- Abstract要約: カオスシステムの逆問題は数値的に困難である。
モデルパラメータの小さな摂動は、推定された前方軌道において非常に大きな変化を引き起こす可能性がある。
ビザレニューラルネットワークは、モデルに同時に適合し、モデルのパラメータの不確実性を推定するために使用することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper demonstrates the application of Bayesian Artificial Neural
Networks to Ordinary Differential Equation (ODE) inverse problems. We consider
the case of estimating an unknown chaotic dynamical system transition model
from state observation data. Inverse problems for chaotic systems are
numerically challenging as small perturbations in model parameters can cause
very large changes in estimated forward trajectories. Bayesian Artificial
Neural Networks can be used to simultaneously fit a model and estimate model
parameter uncertainty. Knowledge of model parameter uncertainty can then be
incorporated into the probabilistic estimates of the inferred system's forward
time evolution. The method is demonstrated numerically by analysing the chaotic
Sprott B system. Observations of the system are used to estimate a posterior
predictive distribution over the weights of a parametric polynomial kernel
Artificial Neural Network. It is shown that the proposed method is able to
perform accurate time predictions. Further, the proposed method is able to
correctly account for model uncertainties and provide useful prediction
uncertainty bounds.
- Abstract(参考訳): 本稿では,正規微分方程式(ODE)逆問題に対するベイズニューラルネットワークの適用例を示す。
状態観測データから未知のカオス力学系遷移モデルを推定する場合を考える。
カオス系の逆問題は、モデルパラメータの小さな摂動が推定された前方軌道に非常に大きな変化をもたらすため、数値的に困難である。
ベイズ型ニューラルネットワークは、モデルと推定パラメータの不確かさを同時に適合させるのに使うことができる。
モデルパラメータの不確かさの知識は、推定されたシステムの前方時間発展の確率論的推定に組み込むことができる。
この方法はカオススプロットb系を解析して数値的に示される。
システムの観測は、パラメトリック多項式カーネルニューラルネットワークの重みに対する後続の予測分布を推定するために使用される。
提案手法は正確な時刻予測を行うことができることを示す。
さらに,提案手法はモデルの不確かさを正しく考慮し,予測不確かさの予測に有用である。
関連論文リスト
- Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳(メタデータ) (2023-07-04T16:45:21Z) - An information field theory approach to Bayesian state and parameter estimation in dynamical systems [0.0]
本稿では、連続時間決定論的力学系に適した状態とパラメータ推定のためのスケーラブルなベイズ的手法を開発する。
システム応答の関数空間に物理インフォームドされた事前確率測度を構築し、物理を満たす関数がより高い確率で現れるようにする。
論文 参考訳(メタデータ) (2023-06-03T16:36:43Z) - Neural State-Space Models: Empirical Evaluation of Uncertainty
Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。
ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。
後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文 参考訳(メタデータ) (2023-04-13T08:57:33Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - System identification using Bayesian neural networks with nonparametric
noise models [0.0]
離散時間非線形ランダムダイナミクス系におけるシステム同定のための非パラメトリックアプローチを提案する。
後部推論用ギブスサンプリング器を提案し, シミュレーションおよび実時間時系列でその有効性を示した。
論文 参考訳(メタデータ) (2021-04-25T09:49:50Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳(メタデータ) (2021-03-23T09:32:06Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳(メタデータ) (2020-12-12T01:20:42Z) - Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear
Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。
提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。
提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文 参考訳(メタデータ) (2020-12-11T08:34:26Z) - Variational inference formulation for a model-free simulation of a
dynamical system with unknown parameters by a recurrent neural network [8.616180927172548]
本研究では,事前知識のない未知パラメータを持つ力学系の「モデルフリー」シミュレーションを提案する。
ディープラーニングモデルは,非線形時間行進演算子と未知パラメータの影響を時系列データセットから共同学習することを目的としている。
提案したディープラーニングモデルは,乱数パラメータの次元を正確に同定し,複雑な時系列データの表現を学習することができる。
論文 参考訳(メタデータ) (2020-03-02T20:57:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。