論文の概要: Identification of Dynamical Systems using Symbolic Regression
- arxiv url: http://arxiv.org/abs/2107.06131v1
- Date: Tue, 6 Jul 2021 11:41:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:28:30.325959
- Title: Identification of Dynamical Systems using Symbolic Regression
- Title（参考訳）: 記号回帰を用いた力学系の同定
- Authors: Gabriel Kronberger, Lukas Kammerer, Michael Kommenda
- Abstract要約: 本稿では,観測データから動的システムのモデルを特定する手法について述べる。
新しくなったのは、ODEパラメータの勾配に基づく最適化のステップを追加することです。
パラメータの勾配に基づく最適化はモデルの予測精度を向上させる。
- 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: We describe a method for the identification of models for dynamical systems
from observational data. The method is based on the concept of symbolic
regression and uses genetic programming to evolve a system of ordinary
differential equations (ODE). The novelty is that we add a step of
gradient-based optimization of the ODE parameters. For this we calculate the
sensitivities of the solution to the initial value problem (IVP) using
automatic differentiation. The proposed approach is tested on a set of 19
problem instances taken from the literature which includes datasets from
simulated systems as well as datasets captured from mechanical systems. We find
that gradient-based optimization of parameters improves predictive accuracy of
the models. The best results are obtained when we first fit the individual
equations to the numeric differences and then subsequently fine-tune the
identified parameter values by fitting the IVP solution to the observed
variable values.
- Abstract（参考訳）: 本稿では,観測データから動的システムのモデルを特定する手法について述べる。
この手法は記号回帰の概念に基づいており、遺伝的プログラミングを用いて常微分方程式(ODE)の体系を進化させる。
新しくなったのは、ODEパラメータの勾配に基づく最適化のステップを追加することです。
本研究では,初期値問題(IVP)に対する解の感度を自動微分を用いて算出する。
提案手法は,シミュレーションシステムからのデータセットと機械システムから取得したデータセットを含む,文献から取られた19の問題インスタンスのセットで検証した。
パラメータの勾配に基づく最適化はモデルの予測精度を向上させる。
その結果、まず個々の方程式を数値差に適合させ、次にIPP解を観測変数値に適合させてパラメータ値を微調整すると、最もよい結果が得られる。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。
各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。
以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-04-25T09:23:03Z) - Robust identification of non-autonomous dynamical systems using
stochastic dynamics models [0.0]
本稿では, 非線形・非線形非自律系における雑音・スパースデータからのシステム識別(ID)の問題について考察する。
隠れマルコフモデル学習のためのベイズ式から導かれる目的関数を提案し,解析する。
提案手法は,システムIDに適合するスムーズさと本質的な正規化を改善したことを示す。
論文 参考訳（メタデータ） (2022-12-20T16:36:23Z) - Identifiability and Asymptotics in Learning Homogeneous Linear ODE Systems from Discrete Observations [114.17826109037048]
通常の微分方程式(ODE)は、機械学習において最近多くの注目を集めている。
理論的な側面、例えば、統計的推定の識別可能性と特性は、いまだに不明である。
本稿では,1つの軌道からサンプリングされた等間隔の誤差のない観測結果から,同次線形ODE系の同定可能性について十分な条件を導出する。
論文 参考訳（メタデータ） (2022-10-12T06:46:38Z) - PI-VAE: Physics-Informed Variational Auto-Encoder for stochastic
differential equations [2.741266294612776]
我々は、物理学インフォームド・ニューラルネットワーク(PI-VAE)と呼ばれる新しいタイプの物理インフォームド・ニューラルネットワークを提案する。
PI-VAEは、システム変数とパラメータのサンプルを生成する変分オートエンコーダ(VAE)で構成されている。
提案手法の精度と効率を,物理インフォームド生成対向ネットワーク (PI-WGAN) と比較して数値的に検証した。
論文 参考訳（メタデータ） (2022-03-21T21:51:19Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Numerical Solution of Stiff Ordinary Differential Equations with Random
Projection Neural Networks [0.0]
正規微分方程式(ODE)の解に対する乱射影ニューラルネットワーク(RPNN)に基づく数値スキームを提案する。
提案手法は剛性の影響を受けずに高い数値近似精度を示し,textttode45 と textttode15s の関数よりも優れていた。
論文 参考訳（メタデータ） (2021-08-03T15:49:17Z) - Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。
解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文 参考訳（メタデータ） (2021-03-15T17:26:34Z) - Non-intrusive surrogate modeling for parametrized time-dependent PDEs
using convolutional autoencoders [0.0]
パラメータ化時間依存PDEによる複雑系の予測モデリングのための機械学習に基づく非侵襲的代理モデリング手法を提案する。
我々は、畳み込みオートエンコーダをフィードフォワードニューラルネットワークと組み合わせて、問題のパラメトリック空間から解空間への低コストで正確なマッピングを確立する。
論文 参考訳（メタデータ） (2021-01-14T11:34:58Z)
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。