論文の概要: Empirical Mode Modeling: A data-driven approach to recover and forecast
nonlinear dynamics from noisy data
- arxiv url: http://arxiv.org/abs/2103.07281v1
- Date: Wed, 10 Mar 2021 13:21:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 03:52:44.295804
- Title: Empirical Mode Modeling: A data-driven approach to recover and forecast
nonlinear dynamics from noisy data
- Title(参考訳): 経験的モードモデリング: ノイズデータからの非線形ダイナミクスの復元と予測のためのデータ駆動アプローチ
- Authors: Joseph Park, Gerald M Pao, Erik Stabenau, George Sugihara, Thomas
Lorimer
- Abstract要約: システム状態空間で動作する方法は、明示的な多次元状態空間を必要とするか、あるいは利用可能な観測から近似されたものである。
観測データはノイズでしばしばサンプリングされるため、ノイズは解析性能を低下させる状態空間表現を損なう可能性がある。
そこで,我々は経験的モードモデリングと呼ぶ経験的動的モデリングを用いて経験的モード分解の合成を評価し,ノイズの存在下での状態空間表現の情報量を増やす。
- 参考スコア(独自算出の注目度): 1.2599533416395765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven, model-free analytics are natural choices for discovery and
forecasting of complex, nonlinear systems. Methods that operate in the system
state-space require either an explicit multidimensional state-space, or, one
approximated from available observations. Since observational data are
frequently sampled with noise, it is possible that noise can corrupt the
state-space representation degrading analytical performance. Here, we evaluate
the synthesis of empirical mode decomposition with empirical dynamic modeling,
which we term empirical mode modeling, to increase the information content of
state-space representations in the presence of noise. Evaluation of a
mathematical, and, an ecologically important geophysical application across
three different state-space representations suggests that empirical mode
modeling may be a useful technique for data-driven, model-free, state-space
analysis in the presence of noise.
- Abstract(参考訳): データ駆動型モデルフリー分析は、複雑な非線形システムの発見と予測のための自然な選択である。
システム状態空間で動作する方法は、明示的な多次元状態空間を必要とするか、あるいは利用可能な観測から近似されたものである。
観測データはノイズでしばしばサンプリングされるため、ノイズは解析性能を低下させる状態空間表現を損なう可能性がある。
そこで,我々は経験的モードモデリングと呼ぶ経験的動的モデリングを用いて経験的モード分解の合成を評価し,ノイズの存在下での状態空間表現の情報量を増やす。
数学的、生態学的に重要な3つの状態空間表現に対する物理応用の評価は、経験的モードモデリングがノイズの存在下でデータ駆動、モデルフリー、状態空間分析に有用であることを示唆している。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying
Low-Rank Autoregression [12.923271427789267]
低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。
時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
論文 参考訳(メタデータ) (2022-11-28T15:59:52Z) - Deep Kernel Learning of Dynamical Models from High-Dimensional Noisy
Data [1.3750624267664155]
このフレームワークは、高次元の測定結果を低次元状態変数に圧縮するエンコーダで構成されている。
提案モデルのトレーニングは,ラベル付きデータに頼らず,教師なしで実施される。
結果から,提案手法は実測値を効果的に認識し,コンパクトな状態表現と潜在力学モデルを学ぶことができることがわかった。
論文 参考訳(メタデータ) (2022-08-27T09:47:44Z) - Learning Reduced Nonlinear State-Space Models: an Output-Error Based
Canonical Approach [8.029702645528412]
非線形挙動を持つ動的システムのモデリングにおけるディープラーニングの有効性について検討する。
3つの非線形系を同定する能力を示す。
シミュレーションで生成したテストデータと,無人航空機飛行計測の現実的データセットを用いて,オープンループ予測の評価を行った。
論文 参考訳(メタデータ) (2022-04-19T06:33:23Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Tensorized Transformer for Dynamical Systems Modeling [0.0]
動的システムモデリングと言語モデリングタスクの並列性を確立する。
本稿では,データの幾何学的性質を組み込んだトランスモデルを提案する。
高次元力学系の条件確率の細粒度近似を可能にする反復的学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T13:43:37Z)
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。